刮兩列PDF

Question

我嘗試為一個項目抓取數百個 PDF 的文本。

PDF 有標題頁、頁眉、頁腳和兩列。 我嘗試了pdftools和tabulizer包。 但是，兩者都有其優點和缺點：

• pdftools 中的pdf_text() function 可以正確讀取 PDF，只有一些可以手動解決的編碼問題，但它沒有考慮到兩列結構。 此外，它會生成一個包含與頁面一樣多的元素的字符向量。
• 相反，來自 tabulizer 的extract_text() function 可以很好地處理兩列結構，但會產生（在許多情況下）不正確的結果（下面的示例）。 此外，它生成一個字符值，其中只有一個元素包含整個 PDF 文檔的文本。

基於stackoverflow上的另一篇文章，我構建了基於tabulizer的function，因為它處理PDF的兩列結構並輸出包含存儲在單獨元素中的所有頁面的向量：

get_text <- function(url) {
  # Get nunber of pages of PDF
  p <- get_n_pages(url)
  # Initialize a list
  L <- vector(mode = "list", length = 1)
  # Extract text from pdf
  txt <- tabulizer::extract_text(url, pages = seq(1,p))
  # Output: character vector containing all pages
  return(txt)
}

雖然它通常工作正常，但有些 PDF 無法正確閱讀。 例如，

get_text(url = "https://aplikace.mvcr.cz/sbirka-zakonu/ViewFile.aspx?type=c&id=3592")

而不是正確的單詞和數字（包含捷克字母），類似 ""\001\002\r\n\b\a\004 \006\t\n\r\n%.\005 \t\ 031\033 *." 被顯示。但是，不是所有的 PDF。此外，請注意 pdftools 正確讀取它（忽略兩列）。

任何人都可以幫助我解決這個問題或者可以解釋它為什么會發生嗎？

非常感謝您！

Answer 1

我遇到了一些PDF的這個問題。 我使用的一種解決方案是使用 stringr 將數字轉換為它們的真實值。 這是一個例子：

convert_Special_Coding_Numbers <- function(text)
{
  text <- stringr::str_replace_all(string = text, pattern = "\\003", "")
  text <- stringr::str_replace_all(string = text, pattern = "\\025", "2")
  text <- stringr::str_replace_all(string = text, pattern = "\\030", "5")
  text <- stringr::str_replace_all(string = text, pattern = "\\026", "3")
  text <- stringr::str_replace_all(string = text, pattern = "\\034", "9")
  text <- stringr::str_replace_all(string = text, pattern = "\\017", ",")
  text <- stringr::str_replace_all(string = text, pattern = "\\023", "0")
  text <- stringr::str_replace_all(string = text, pattern = "\\027", "4")
  return(text)
}