用pdftools逐段解析PDF

Question

我试图在R中逐段解析PDF文档，我将PDF保存在本地机器上。因此，请从苹果网站下载样本pdf。

require(pdftools)

apple <- pdf_text('apple.pdf')

apple[[26]]

问题是，如果我们检查第26页，每一行都以“\r\n”结尾。这与第一段末尾(斜体字)与概述和重点段落之间的\r\n没有什么不同。在PDF中，看起来跳过了2行，但R中的对象并不反映这一点。

我不知道这是否是这个特定包的一个功能，或者实际上，将文本转换为文本是否消除了这些段落标记。我无法使用其他方法设置导入(例如。使用tm软件包)

Answer 1

我认为它是文档的底层属性(而不是一般文本转换过程或pdftools的基础属性)。

如果您使用鼠标选择跨段落中断的文本，它不会选择空行，这意味着它们是PDF布局元数据的一部分，而不是文本本身(尽管我实际上对PDF文件规范一无所知)：

​

​

您最好的选择可能是提出启发式规则集来识别段落中断。我在想：

• 前一行以句点结束\r\n
• 段落标题行短，结束时没有句号，则\r\n
• 段落的第一句以大写字母开头，并占据整行。