R - 遍历 PDF 中的页面

Question

我有一系列包含各种数据表的 PDF 文件。我只是在每个文件中寻找一个特定的表格，我的目标是找到每个文件所在的页面。

我计划的方法是以某种方式遍历每个页面，阅读文本并确定它是否是我正在寻找的页面，如果是，则返回该页码，否则继续下一页。我一直在研究 PDFTools，但似乎没有一种方法可以循环浏览页面。

有谁知道任何可以帮助我实现这一目标的 R 包，或者有没有更好的方法可以用 PDFTools 做到这一点？

任何帮助将不胜感激！

Answer 1

我认为在 PDFtools 中有一些方法可以提取逐页创建“字符串”的文本数据。所以代码可能如下所示：

library(pdftools)
txt <- pdf_text("something.pdf")

现在：

# first page text
txt[1]
txt[2] etc.

为了从每个string 中提取单词，您必须使用strsplit()，然后创建每个页面的单词向量，并逐页逐字查找。一旦与您的word 匹配，就收集最外层循环索引号作为页数。

如果这对你的目的有帮助，请告诉我。