抓取两列PDF

Question

我试着为一个项目刮掉数百个PDF的文本。

PDF有标题页、标题、页脚和两列。我尝试了pdftools和tabulizer的软件包。然而，两者都有其优点和缺点：

，

• ，pdftools中的pdf_text()函数，正确地读取PDF，只有一些编码问题可以手动解决，但是它没有考虑到两列结构。此外，它生成的字符向量包含的元素与页面相同，相反，tabulizer的
• 函数很好地处理了两列结构，但是会产生(在许多情况下)不正确的结果(例如下面的例子)。此外，它生成一个字符值，其中只有一个元素包含整个

文档的文本。

基于堆栈溢出的另一篇文章，我构建了以下基于tabulizer的函数，因为它处理PDF的两列结构，并输出包含存储在单独元素中的所有页面的向量：

get_text <- function(url) {
  # Get nunber of pages of PDF
  p <- get_n_pages(url)
  # Initialize a list
  L <- vector(mode = "list", length = 1)
  # Extract text from pdf
  txt <- tabulizer::extract_text(url, pages = seq(1,p))
  # Output: character vector containing all pages
  return(txt)
}

虽然它在一般情况下工作良好，但也有一些PDF没有正确读取。例如,

get_text(url = "https://aplikace.mvcr.cz/sbirka-zakonu/ViewFile.aspx?type=c&id=3592")

显示的不是正确的单词和数字(包含捷克字母)，而是“\001\002\r\b\\a\004\t\n\n\n% .\005 \t\031\033 *”。但是，不是所有PDF。此外，请注意pdftools正确读取它(忽略这两列)。

有人能帮我解决这个问题吗?或者解释一下为什么会发生这个问题？

非常感谢您提前！

Answer 1

我遇到了这个问题的一些PDF。我使用的一个解决方案是用字符串将数字转换为它们的真实值。以下是一个例子：

convert_Special_Coding_Numbers <- function(text)
{
  text <- stringr::str_replace_all(string = text, pattern = "\\003", "")
  text <- stringr::str_replace_all(string = text, pattern = "\\025", "2")
  text <- stringr::str_replace_all(string = text, pattern = "\\030", "5")
  text <- stringr::str_replace_all(string = text, pattern = "\\026", "3")
  text <- stringr::str_replace_all(string = text, pattern = "\\034", "9")
  text <- stringr::str_replace_all(string = text, pattern = "\\017", ",")
  text <- stringr::str_replace_all(string = text, pattern = "\\023", "0")
  text <- stringr::str_replace_all(string = text, pattern = "\\027", "4")
  return(text)
}