使用 R 从有行溢出的 pdf 中提取信息

Question

我正在尝试使用 R 从 pdf 文件中提取信息。尽管 R 无法识别它们，但我想要的数据在表中。我正在使用 pdftools 读取 pdf 文件，将其导出到文本文件，然后重新读取逐行。 这些文件看起来像这样。

我想从/（用于）经营活动中提取净现金，但正如您所见，因为线条溢出，所以变得非常困难。

pdf_text <- pdf_text("test.pdf")
write.table(pdf_text,"out.txt")
just <- readLines("input_file.txt")



> just[30:40]
 [1] "          (g) insurance costs                                                     -                  (137)"
 [2] " 1.3      Dividends received (see note 3)                                         -                      -"
 [3] " 1.4      Interest received                                                       9                     21"
 [4] " 1.5      Interest and other costs of finance paid                                -                      -"
 [5] " 1.6      Income taxes paid                                                       -                      -"
 [6] " 1.7      Government grants and tax incentives                                    -                      -"
 [7] " 1.8      Other (provide details if material)                                     -                      -"
 [8] " 1.9      Net cash from / (used in) operating"                                                             
 [9] "                                                                           (1,258)                 (3,785)"
[10] "          activities"   

我想获取仍然带有括号的数字 (1,258) 和 (3,785)。

一个常见的事情是数字将在第 8,9 行或第 10 行（使用我上面的示例作为参考）所以我不能只是简单地编写代码来获取“来自 / 的净现金”“旁边”的数据（用于）经营活动”

Answer 1

这段代码几乎达到了预期的结果：

> text_file <- readLines("out.txt")
> operating_line <- grep("Net cash from / \\(used in\\) operat", text_file)
> operating_line <- operating_line[1]
> number_line1 <- text_file[operating_line]
> number_line2 <- text_file[operating_line + 1]
> number_line3 <- text_file[operating_line - 1]
> if (gsub("[^()[:digit:],]+", "", number_line1) != "") {
+   numbers <- gsub("[^()[:digit:],]+", "", number_line1)
+ } else if (gsub("[^()[:digit:],]+", "", number_line2) != "") {
+   numbers <- gsub("[^()[:digit:],]+", "", number_line2)
+ } else {
+   numbers <- gsub("[^()[:digit:],]+", "", number_line3)
+ }
> numbers <- gsub("\\d+\\(\\)", "", numbers)
> numbers
[1] "(1,258)(3,785)"

但是 (1,258) 和 (3,785) 之间没有差距。 即它们没有被识别为不同的元素