R-遍历PDF页面

Question

我有一系列包含各种数据表的PDF文件。 我只在每个文件中查找一个特定的表，我的目标是找到每个文件在哪个页面上。

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要查找的页面，如果是，则返回该页面编号，否则继续下一页。 我一直在研究PDFTools，但似乎没有一种循环浏览页面的方法。

有谁知道有任何R软件包可以帮助我实现这一目标，或者有没有更好的方法可以使用PDFTools做到这一点？

任何帮助都感激不尽！

Answer 1

我认为在PDFtools中，有一些方法可以提取文本数据，从而逐页创建“字符串”。 因此代码可能如下所示：

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，并逐页查找该单词内的单词。 一旦与您的word匹配，请收集最外面的循环索引号作为页数。

让我知道这是否对您有帮助。