将多个 PDF 文件转换为文本（R 语言）

Question

我正在使用 R 中的“tesseract”库将“PDF 文件转换为文本”，如下所示：https://cran.r-project.org/web/packages/tesseract/vignettes/intro.html

library(pdftools)
library(tesseract)

pngfile <- pdftools::pdf_convert('myfile_1.pdf', dpi = 600)
text <- tesseract::ocr(pngfile)
cat(text)

上面的代码完美运行。现在，我正在尝试“大量上传”大量 PDF 文件并将它们转换为文本 - 目前，我想出了如何手动执行此操作

#import and convert 1st file
   pngfile_1 <- pdftools::pdf_convert('myfile_1.pdf', dpi = 600)
    text_1 <- tesseract::ocr(pngfile_1)

#import and convert 2nd file (note: the files do not have the same naming convention)
   pngfile_2 <- pdftools::pdf_convert('second_file.pdf', dpi = 600)
    text_2 <- tesseract::ocr(pngfile_2)

etc

我将上面的代码复制/粘贴了 50 次（同时更改了“索引”，即pngfile_i, text_i）并且能够完成我想做的事情。但是，我正在寻找一种“自动”的方式来导入和转换所有 pdf 文件。

目前，我所有的 pdf 文件都在以下文件夹中：

"C:/Users/me/Documents/mypdfs"

我发现以下代码可用于将 pdf 文件“大量导入”到 R 中：

library(dplyr)
library(data.table)


tbl_fread <- 
    list.files(pattern = "*.pdf") %>% 
    map_df(~fread(.))

但我不确定如何指示此代码从正确的目录 ("C:/Users/me/Documents/mypdfs") 导入所有 pdf。我也不知道如何指示 R 将每个导入的 pdf “重命名”为“pdf_1、pdf_2 等”。

如果所有 pdf 文件都正确导入和创建，我可以编写一个“循环”并执行所需的命令，例如

# "n" would be the total number of pdf files 

for (i in 1:n)
{
pngfile_i <- pdftools::pdf_convert('myfile_i.pdf', dpi = 600)
text_i <- tesseract::ocr(pngfile_i)
}

有人可以告诉我怎么做吗？

谢谢

Answer 1

您可以在list.files 函数中添加full.names = TRUE，但这假设"C:/Users/me/Documents/mypdfs" 包含在您的project 中。

或者，您可以将path = "Documents/mypdfs 与full.names = TRUE 一起使用，这会将path 定向到mypdfs。

list.files(
        path = "Documents/mypdfs"
        full.names = TRUE,
        pattern = "*.pdf"
        )

要根据您pdf_n 保存它们，那么您可以使用paste 和map。在这里，我使用data.frames 提供了一个示例，因为我不使用 pdf，也没有我愿意处理的批量。

library(tidyverse)

1:length(tbl_fread) %>% map(
        .f = function(i) {
                
                # Your regular function
                # related to PDF
                
                
                # Saving according to desired names
                write.table(
                        tbl_fread[[i]],
                        file = paste0("pdf_", i, ".csv")
                )
                
                
        }
)

为了验证它是否按预期工作，我们可以相应地阅读它，

read.table(
        file = "pdf_1.csv"
)

                   mpg cyl disp  hp drat    wt  qsec vs am gear carb
Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1