如何使用 R 抓取下载的 PDF 文件答案

【问题标题】：How to scrape a downloaded PDF file with R如何使用 R 抓取下载的 PDF 文件
【发布时间】：2018-06-07 20:33:15
【问题描述】：

我最近在实习期间开始了抓取（和一般编程），我遇到了 PDF 抓取。每次我尝试用 R 阅读扫描的 pdf 时，我都无法让它工作。我试过使用file.choose() 函数无济于事。我是否需要更改我的目录，或者如何将 pdf 从我的文件中获取到 R 中？代码如下所示：

    > library(pdftools)
    > text=pdf_text("C:/Users/myname/Documents/renewalscan.pdf")
    > text
    [1] ""

另外，使用 pdftables 将我带到这里：

    > library(pdftables)
    > convert_pdf("C:/Users/myname/Documents/renewalscan.pdf","my.csv")
    Error in get_content(input_file, format, api_key) : 
    Bad Request (HTTP 400).

【问题讨论】：

你想用什么来刮它？是否有非图像文本要刮掉，还是在图像中？没有a reproducible example，这个问题无法回答。
抱歉，我正在使用 pdftools 和 tm，并试图遵循 medium.com/@CharlesBordet/…'m-r-da11964e252e 中所说的内容。通常，文件是从网上下载的，但我的计算机上已经有该文件。另外，它是一个pdf格式的表格。
Recognize PDF table using R的可能重复
类似线程：stackoverflow.com/questions/51312453/…

标签： r pdf-scraping

【解决方案1】：

您应该使用包pdftools 和pdftables。

如果您尝试阅读 pdf 中的文本，请使用 pdf_text() 函数。里面是pdf的路径（在您的计算机或网络中）。例如

tt = pdf_text("C:/Users/Smith/Documents/my_file.pdf")

如果你能更具体一些，并给我们可重现的例子，那就太好了。

【讨论】：

我为缺乏明确性表示歉意。这是我在这里的第一篇文章，所以我试图掌握这一切。我现在正在编辑帖子以显示我的代码。

【解决方案2】：

要使用 PDFTables R 包，您需要运行以下命令：

convert_pdf('test/index.pdf', output_file = NULL, format = "xlsx-single", message = TRUE, api_key = "insert_API_key")

【讨论】：

【解决方案3】：

如果您想获取表格数据，您可以尝试tabulizer。这是完整的代码教程：https://www.business-science.io/code-tools/2019/09/23/tabulizer-pdf-scraping.html

基本上，您可以使用教程中的这段代码：

library(tabulizer)
extract_tables(
    file   = "2019-09-23-tabulizer/endangered_species.pdf", 
    method = "decide", 
    output = "data.frame")

【讨论】：