使用R将PDF中的结构化数据转换为excel，代码可以工作，但需要改进

Question

我有一堆HICF表单(医疗保健)，我想自动拉某些字段。目前，我可以在一个目录中有一堆pdf。代码引用它们，并获取所有数据，并在有\n的地方分隔每一行。

然后，它将所有数据集合并到一个文件中。问题是，数据仍然有点乱，而且不同的行。

我更愿意说，“输出介于”这个单词“和”那个单词“之间的文本。我将需要为大约9个输出添加代码。我假设我可以使用rm_between函数，但我不确定如何合并。

我希望输出能够找到选择单词之间的文本，并将此数据导出到csv文件。

您建议如何升级此代码？

install.packages("pdftools")
install.packages("tesseract")
install.packages("plyr")
install.packages("qpcR")

library(pdftools)
library(tesseract)
library (plyr)
library(qpcR)
text <- ocr("POC File 12.20 (3).pdf")
test2<-strsplit(text,"\n")
df <- ldply (test2, data.frame)
compile<-df



file_list <- list.files()
for (file in file_list){
 text <- ocr(file)
 test2<-strsplit(text,"\n")
 df <- ldply (test2, data.frame)
 compile<-qpcR:::cbind.na(compile,df)
}
write.csv(compile,"compiled.csv")

Answer 1

我喜欢使用stringr-package来提取文本的各个部分，我想这正是您正在寻找的。我还提供了一些示例-数据，这能满足您的需求吗？

library(stringr)
mytextlines <- c("somedata_This word WantedData That word",
                 "NothingToExtractHere",
                 "somedata_other word WantedOtherData other close")
LookFor <- c(Tag1="This word *(.*?) *That word",
             Tag2="Other word *(.*?) *Other close")

found <- sapply(LookFor, function(look) {
  gsub(look, '\\1', str_extract(mytextlines, pattern=regex(look, ignore_case = TRUE)), ignore.case = TRUE)
})

它将输出一个矩阵，每行文本对应一行，您要查找的每个标记都对应一列，如果该行中什么也没有找到，则输出NA。

正则表达式正在寻找一些东西：

• 以"This word“开头，
• 后跟任何空格，
• 后跟任何空格(但如果以空格结尾，则将它们留到下一部分)，
• 后跟任何空格，
• 后跟"That word"

gsub仅用第3项(括号之间的部分)替换这5个元素