R - 使用 Magick 大量阅读 pdf。循环问题

Question

我正在尝试编写一个脚本来读取一系列 pdf，使用 tesseract 包对其进行 OCR，然后对我可以提取的文本进行处理。

到目前为止，我处于以下位置：

ReportDensity <- list()
AllReports <- list.files(path = "path",pattern = "*.PDF",full.names=TRUE)

然后我需要调用每个 pdf 的页码，以便我可以读取图像数据

for (i in seq(AllReports))
    ReportDensity[[i]] <- pdf_info(AllReports[[i]])
ReportDensity <- lapply(ReportDensity, `[[`, 2)

现在，我要做的是列出单独图像文件的 pdf 的每一页，以便我可以对其进行 OCR。

for (i in seq(AllReports))
    for (j in 1:ReportDensity[[i]])

(assign(paste0("Report_",i,"_Page_",j),image_read_pdf(AllReports[[i]],pages = ReportDensity[j])))

我收到的错误信息是：

“poppler_render_page 中的错误（加载文件（pdf），页面，dpi，opw，upw，抗锯齿，： 无效页面。”

我认为这是因为我错误地编写了循环。我已经通过手动输入图像/页码来测试代码，并且可以正确加载。

我希望最终结果是一系列“Report_ReportNumber_PageNumber”形式的图像文件，然后我可以处理这些文件。

Answer 1

pdf 主要是文本（大多数情况下）； 我通常使用python的pdf2txt从pdf中提取文本，通过调用在shell上逐页运行

i=pagenumber

system(paste("pdf2txt -p", i, "-o text.txt pdffile.pdf")) 然后你可以从每一页grep文本； flag -o 可以输出一个html或xml，你可以用library(rvest)废弃它

[pdfimages][2] extracts the images contained in pdfs, you can OCR those:

system(paste("pdfimages -f", i, "-l", i, "-p -png pdffile.pdf imagefile"))

可能会从单个页面输出大量 png，它们会编号：

system(paste0("tesseract  imagefile-",i,"-006.png out6"))

tesseract 有几个参数你必须调整才能获得不错的结果