R:导入pdf并创建文件名为id

时间:2019-02-24 21:43:40

标签: r pdf import tm term-document-matrix

我正在将pdf导入R以进行一些文本分析。我有许多pdf文件,它们的名称是它们的出版年份(每年出版一次)。

在导入它们后,我想创建一个TermDocumentMatrix,其第一个术语“ docs”(即tdm的第一列)采用发布年份而不是文档编号。确实,当我创建tdm时,它们会为其分配编号(1、2、3等...)。

有关如何操作的任何想法?我的代码如下。

谢谢!

#creates the list of pdf files to be picked up (from the working directory)
files <- list.files(pattern = "pdf$")

#read the pdf files from the list (number of pages in brackets in front)
new_files <- sapply(files, pdf_text)

#create corpus
new_corp <- Corpus(VectorSource(new_files))

IMF_tdm <- TermDocumentMatrix(new_corp, control = list(removePunctuation = TRUE,
                                                         stopwords = TRUE,
                                                         tolower = TRUE,
                                                         stemming = TRUE,
                                                         removeNumbers = TRUE,
                                                         bounds = list(global =c(2, Inf)))) 

1 个答案:

答案 0 :(得分:1)

尝试readtext https://cran.r-project.org/web/packages/readtext/vignettes/readtext_vignette.html,我过去曾用它读取纯文本和CSV文件,它也可以转换和导入PDF。它将在第一列中输出一个带有文档文件名的数据帧,在第二列中输出一个文档字符串的整个文本。

以下是使用与readtext库一起分发的一些数据文件的小插图示例:

## Read in Universal Declaration of Human Rights pdf files

(rt_pdf <- readtext(paste0(DATA_DIR, "/pdf/UDHR/*.pdf"), 
                    docvarsfrom = "filenames", 
                    docvarnames = c("document", "language"),
                    sep = "_"))

## readtext object consisting of 11 documents and 2 docvars.
## # data.frame [11 × 4]
##   doc_id           text                          document language
##   <chr>            <chr>                         <chr>    <chr>   
## 1 UDHR_chinese.pdf "\"世界人权宣言\n联合国\"..." UDHR     chinese 
## 2 UDHR_czech.pdf   "\"VŠEOBECNÁ \"..."           UDHR     czech   
## 3 UDHR_danish.pdf  "\"Den 10. de\"..."           UDHR     danish  
## 4 UDHR_english.pdf "\"Universal \"..."           UDHR     english 
## 5 UDHR_french.pdf  "\"Déclaratio\"..."           UDHR     french  
## 6 UDHR_greek.pdf   "\"ΟΙΚΟΥΜΕΝΙΚ\"..."           UDHR     greek   
## # ... with 5 more rows