R没有从PDF中读取文本答案

【问题标题】：R not reading text in from PDFR没有从PDF中读取文本
【发布时间】：2020-05-05 15:29:17
【问题描述】：

一段时间以来，我一直在尝试将 PDF 文件夹读入 R 以制作语料库。我用过：

teleeos<- readtext("C:/Users/dklimkina/Desktop/Text Analysis Project/Corpus/Telehealth", encoding = "UTF-8")
directory<-("C:/Users/dklimkina/Desktop/Text Analysis Project/Corpus/Telehealth")
teleeos<- readtext(directory)

和

setwd("C:/Users/dklimkina/Desktop/Text Analysis Project/Corpus/Telehealth")
install.packages("pdftools")
library(pdftools)
files <- list.files(pattern = "pdf$")

我已经更改了我的 PDF 类型，但无论我做什么，我一直得到的只是PDF error (63): Illegal character <29> in hex string。有什么想法吗？

【问题讨论】：

标签： r hex corpus quanteda

【解决方案1】：

尝试隔离导致问题的文件并进一步检查它是值得的。如果没有可重现的示例或无法访问原始文件，我们将无法进一步帮助您。

首先，尝试不使用 encoding = "UTF-8" 参数。

您也可以尝试其他工具。由于我看到您使用的是 Windows，请尝试以下操作：

为您的平台下载xpdf 工具套件。这包括您需要的部分，pdftotext。
在程序/附件中按如下方式使用 Windows PowerShell ISE（集成脚本环境）（根据您的系统需要调整路径）来运行此脚本。

它可能会更好地将您的文件转换为文本。

cd "C:/Users/dklimkina/Desktop/Text Analysis Project/Corpus/Telehealth"
$FILES = ls *.pdf
foreach ($f in $FILES) {
    pdftotext -enc UTF-8 $f
}

如果该脚本失败，那么如果您成功隔离了问题 pdf，请尝试在该文件上运行 pdftotext problemfile.pdf 并查看是否有效。

【讨论】：