在R中使用url pdf而不是文件pdf

Question

我正在使用以下行从R 中的 PDF 导入文本

uri <- sprintf("name.pdf", system.file(file.path("doc", "tm.pdf"),
                package = "tm"))

但是，我想在第一个参数中直接使用获取 PDF 的 URL，而不是硬盘中的 PDF 文件。

Answer 1

我怀疑问题在于 readPDF 文档中的示例使用此行来创建本地文件 URL：

uri <- sprintf("file://%s", system.file(file.path("doc", "tm.pdf"), package = "tm"))

您不需要为 ftp 或 http url 执行此操作，只需按原样传递 URL。 readPDF仅接受 URL，因此即使是本地文件路径也必须转换为 URI。

你可以简单地写：

uri <- "http://cran.r-project.org/web/packages/tm/tm.pdf"

要获取tm 包的文档，然后继续阅读readPDF：

uri <- "http://cran.r-project.org/web/packages/tm/tm.pdf"
pdf <- readPDF(control = list(text = "-layout"))(elem = list(uri = uri),
                                               language = "en",
                                               id = "id1")

尽管readPDF 需要一个 URL，但至少在 Windows 中，您只能将它与本地文件一起使用。 readPDF 本质上充当外部命令的包装器，因此 URI 按原样 传递给 pdftotext（对于 xpdf）或您指定的引擎使用的任何命令。除非 that 命令理解 URL，否则它将失败并显示警告。

唯一真正的选择是使用download.file 在本地下载文件，然后使用readPDF 读取它：

uri <- "http://cran.r-project.org/web/packages/tm/tm.pdf"
download.file(uri,"tm.pdf",method="internal",mode="wb")
pdf <- readPDF(control = list(text = "-layout"))(elem = list(uri = "tm.pdf"),
                                               language = "en",
                                               id = "id1")
content(pdf)[1:13]

我可以使用相对文件路径，因为uri 参数按原样传递，它根本不被视为 URI。我也能通过"h:\\documents\\tm.pdf" 和"h:/documents/tm.pdf"。