标签： r
在这个阶段，我正在寻找可以解决我的问题的选项，因此我希望能从其他人那里获得建议。我正在整理数百个文档，并希望减少手动处理。绝大多数是套用信函，因此我想识别和分组每种套用信函。
这些文档是PDF，Word和HTML的混合体，并且我已经能够从PDF文档中提取文本（尚未尝试使用Word或HTML，但应该很容易）。但是，一旦进入这个阶段，我只是不知道下一步要做什么，例如，确定文档A和文档B几乎相同，除了提交者的姓名和组织等小改动。