搜索R中带有西班牙和法语字母的(关键字)单词

Question

发行：

我试图从一组PDF文档中提取多个关键字及其周围的文本，这些文档都是英文、西班牙文和法文。对于英文PDF文档，它的工作方式就像一种魅力，但对于包含西班牙语和法语非拉丁文字母的术语(例如，é、êo)则不然。阅读英文PDF的代码：

library(textreadr)
library(pdftools)
library(pdfsearch)

keyword = c('biology') # define searched keyword 

dirct <- "~/Documents/pdfs" # define directory

### keyword search
result <- keyword_directory(dirct, 
                          keyword = keyword,
                          surround_lines = 0, full_names = TRUE)

对特定于法语或西班牙语的字母(例如，é、êo)使用相同的术语代码不会产生任何结果。

我试过的是：

我看到这些字母被转换成不同的unicode：

keyword = c('biología') # keyword 

""biolog\303\255a" # the keyword how its listed in Values

""biolog<U+00E1>" # unicode the *keyword_directory* function converts the keyword to

我试图将关键字搜索更改为unicode，但这并没有产生任何结果。

keyword = c('biolog\303\255a') / keyword = c('biolog<U+00E1>')

我被keyword_directory函数困住了，因为它从PDF中提取关键字和周围的文本。

Answer 1

也许您可以尝试以下替换(请参阅网页http://www.ltg.ed.ac.uk/~richard/utf-8.cgi?input=%C3%A9&mode=char中的“十六进制代码点”)：

1.E可以替换为"\U00E9“(如果在R中键入"\U00E9”，您将得到"é")；

2.可以用“\U00EA”取代存在；

1. etc.

我不能访问你的PDF，所以我不能测试它。如果您可以提供一些链接到您考虑的pdf为您的搜索，这将是有用的。