Question

我正在尝试将此pdf https://www.mountwashington.org/uploads/forms/2018/01.pdf导入r并将其格式化为数据框。有没有一种方法可以处理怪异的标头并仅有效获取数据的主要标头（而不是像位置和桩号这样的较大标头）？

我可以通过使用转换器网站将pdf转换为excel文件，然后在excel中手动编辑列/行，然后导入到r中来获得所需的信息，但这效率很低，我想在莫名其妙。我尝试使用制表器程序包，但它以字符形式提供了数据并且完全没有组织。

这就是我想要的样子：

> a
   DAY MAX MIN AVG NORM DEPART HEAT COOL TOTAL..EQUIV. SNOW...ICE AVG.WIND.SPEED..MPH. FASTEST.SPEED      DIR
1    1 -14 -25 -19    6    -25   84    0          0.00        0.0                 55.3            79 310 (NW)
2    2  -7 -23 -15    6    -21   80    0          0.01        0.7                 53.8            84  280 (W)
3    3   7  -7   0    6     -6   65    0             T          T                 39.2            64  280 (W)

这就是我用制表器能得到的：

 [,1]                                                                                                                                       
 [1,] "WS FORM F-6"                                                                                                                              
 [2,] ""                                                                                                                                         
 [3,] "PRELIMINARY LOCAL CLIMATOLOGICAL DATA"                                                                                                    
 [4,] ""                                                                                                                                         
 [5,] "LATITUDE LONGITUDE"                                                                                                                       
 [6,] "44 DEGREES16 MINUTESNORTH 71 DEGREES  18 MINUTES  WEST"                                                                                   
 [7,] "TEMPERATURE (Â°F) PRECIPITATION (IN.)"                                                                                                    
 [8,] "DEGREE DAYS TOTAL SNOW & SNOW/ICE ON AVG"                                                                                                 
 [9,] "DAY MAX MIN AVG NORM DEPART HEAT COOL (EQUIV) ICE GROUND-7AM SPEED"                                                                       
[10,] "1 -14 -25 -19 6 -25 84 0 0.00 0.0 23 55.3"

然后是更多行，其中包含似乎是从页面中随机提取的更多无序数据。

任何帮助都会很棒，谢谢！

Answer 1

您可以使用tabulizer提取表。使用locate_areas查找要提取的区域的坐标。

看看这个link

library(tabulizer)

# I used locate_areas("https://www.mountwashington.org/uploads/forms/2018/01.pdf") 
# to find the area of the table to extract

mw_table <- extract_tables(
  "https://www.mountwashington.org/uploads/forms/2018/01.pdf",
  output = "data.frame",
  area =  list(c(103.49321,  15.79171, 402.56716, 586.74627)),
  guess = FALSE
  )

mw_table[[1]]

然后，您只需要更改数据框的名称即可。

导入具有奇怪标题的pdf表到r

1 个答案: