使用 R 抓取 PDF答案

【问题标题】：PDF scraping using R使用 R 抓取 PDF
【发布时间】：2011-12-16 15:37:50
【问题描述】：

我一直在成功地使用 XML 包来提取 HTML 表格，但想扩展到 PDF。从之前的问题来看，似乎没有一个简单的 R 解决方案，但想知道最近是否有任何进展

如果做不到这一点，Python（我是一个完整的新手）中是否有某种方法可以获得并操作 pdf，以便我可以使用 R XML 包完成工作

【问题讨论】：

【解决方案1】：

AFAIK 没有一种简单的方法可以将 PDF 表格转换为对数据分析有用的东西。您可以使用Data Science Toolkit 的文件到文本实用程序（通过RDSTK 包的R 接口），然后解析生成的文本。请注意：解析通常很重要。

编辑：有一个关于将 PDF 转换为 XML on discerning.com 的有用讨论。简短的回答是您可能需要购买商业工具。

【讨论】：

【解决方案2】：

从 PDF 中提取文本很困难，而且几乎总是需要非常小心。

我会从命令行工具（例如 pdftotext）开始，看看它们输出了什么。问题在于 PDF 可以以任何顺序存储文本，可以使用笨拙的字体编码，并且可以执行诸如使用连字字符（您在正确排版中看到的连接的 'ff' 和 'ij' ）之类的事情。

pdftotext 可安装在任何 Linux 系统上...

【讨论】：

第二。在 R 中做这件事不值得任何人去开发和维护，当有一些选项在 R 之外维护得更好时。如果你需要做很多文件，请尝试在 Unix 中使用find 实用程序（或在 Windows 的 GNU 集合中），或者可以让 R 向 shell 发送命令，循环遍历文件名......甚至 Adobe 长期以来都有一个糟糕的文本提取器（不确定现在是否更好），而 Xerox 有一个好一个。
好吧 pdftotext 可以很好地生成干净的文本页面，但它不能以任何形式轻松创建我想要的内容。还是谢谢
在该页面上运行 pdftotext 并不出色，但首先转换为 ps 或仅在 PDF 上运行 ps2txt 会生成一个几乎完美的表格，其中需要删除一些页眉/页脚。

【解决方案3】：

您可能想查看text mining 包tm。我记得他们实现了所谓的阅读器，还有一个用于 PDF 的。

【讨论】：

【解决方案4】：

可以从 PDF 文档中提取表格的 tabula 应用程序的核心是一个简单的命令行 Java 应用程序，tabula-extractor。

此 Java 应用程序已由 tabulizer 包封装在 R 中。将路径传递给 PDF 文件，它会尝试为您提取数据表并将它们作为数据返回。

【讨论】：