如何从pdf的特定部分提取文本
塔杰
我在处理 R 中的文件方面没有经验！所以请保持外邦人。
我有一个看起来像这样的pdf：
我想仅从此文本中提取红色矩形中的数据并将其保存到数据框中（我有数千个这种 pdf）。
到目前为止，我设法读入了数据并得到了这个->
我的代码：
library(tidyverse)
library(pdftools)
library(here)
PDF_x <- pdf_text(here("pdf_project/example_for_pdf.pdf")) %>%
str_split("\n")
这使：
[[1]]
[1] " BlaBla heaeder"
[2] " Mr. Bombastic XXXXXXXXXXXXX"
[3] " Text1"
[4] " Text2"
[5] " Text3,"
[6] " Text4"
[7] " Text5"
[8] " Text6"
[9] " Text7"
[10] " Text8"
[11] " Blabla, 12.01.2021"
[12] " bobo /"
[13] " blabla: 111111111"
[14] " Micheal Jackson, justo duo dolores et ea rebu"
[15] " accusam: justo duo dolores et ea rebu"
[16] " dolores: Bla Bla Bla"
[17] " BLABLA_1"
[18] " X-Date: 17.07.2021"
[19] " 1. Master1 Tim"
[20] " 1. Master2 Jack"
[21] " 1. Master3 Monika"
[22] " 1. Master4 Jill"
[23] " Header1"
[24] " Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore"
[25] " magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd"
[26] " gubergren, no sea takimata"
[27] " Header2"
[28] " Lorem ipsum dolor sit amet, consetetur sadipscing elitr."
[29] " Header3"
[30] " Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore"
[31] " magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum."
[32] " Header4"
[33] " Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna"
[34] " aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea"
[35] " takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy"
[36] " eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. At vero eos et accusam et justo duo"
[37] " dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet."
[38] "ipsum dolor sit a sed diam nonumy eirmod tempor invidunt ut labore et dolore magna Master of Disaster Tim"
[39] "ipsum dolor sit a invidunt ut labore et dolore magna Chief master"
[40] " ipsum dolor sit a invidunt ut labore et dolore magnainvidunt ut labore et dolore magna 2s"
[41] ""
[[2]]
[1] " blablablablablablab" " invidunt ut labore et dolore magna"
[3] "invidunt ut labore et dolore magna..at" ""
我非常感谢任何指导帮助！
阿克伦
作为str_split/strsplit返回 a list，提取第一个list元素 ( )，在删除前导/滞后空格 ( ) 以及 'Header4' 的位置后找到以 ( ) 'X-Date:'[[1]]开头的行的位置索引（并减去 1 到获取上一行位置），获取序列（）以对向量元素进行子集化^trimws:
v1 <- trimws(PDF_x[[1]])
v1[grep("^X-Date:", v1):(grep("Header4", v1)-1)]
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
编辑于
相关文章
TOP 榜单
- 1
计算数据帧R中的字符串频率
- 2
Android Studio Kotlin：提取为常量
- 3
Excel 2016图表将增长与4个参数进行比较
- 4
获取并汇总所有关联的数据
- 5
如何使用Redux-Toolkit重置Redux Store
- 6
http：// localhost：3000 /＃！/为什么我在localhost链接中得到“＃！/”。
- 7
将加号/减号添加到jQuery菜单
- 8
算术中的c ++常量类型转换
- 9
TYPO3：将 Formhandler 添加到新闻扩展
- 10
TreeMap中的自定义排序
- 11
如何开始为Ubuntu开发
- 12
在 Python 2.7 中。如何从文件中读取特定文本并分配给变量
- 13
无法使用 envoy 访问 .ssh/config
- 14
在Ubuntu和Windows中，触摸板有时会滞后。硬件问题？
- 15
遍历元素数组以每X秒在浏览器上显示
- 16
在Jenkins服务器中使用Selenium和Ruby进行的黄瓜测试失败，但在本地计算机中通过
- 17
警告消息：在matrix（unlist（drop.item），ncol = 10，byrow = TRUE）中：数据长度[16]不是列数的倍数[10]>？
- 18
未捕获的SyntaxError：带有Ajax帖子的意外令牌u
- 19
如何使用tweepy流式传输来自指定用户的推文（仅在该用户发布推文时流式传输）
- 20
尝试在Dell XPS13 9360上安装Windows 7时出错
- 21
如果从DB接收到的值为空，则JMeter JDBC调用将返回该值作为参数名称
我来说两句