从PDF文件读取数据到R

这甚至可能！！！

我有一堆遗留报告，我需要导入到数据库。 但是，他们都是PDF格式。 有没有可以阅读pdf的R包？ 或者我应该把它留给一个命令行工具？

这些报告是用excel表示的，然后是pdf格式的，所以它们有规律的结构，但是有很多空白的“单元格”。

Answer 1

只是向其他可能希望提取数据的人发出警告：PDF是一个容器，而不是一种格式。 如果原始文档不包含实际的文字，而不是位图图像的文字，甚至可能比我想象的更丑陋的东西，没有什么比OCR可以帮助你。

最重要的是，在我悲伤的经历中，不能保证创buildPDF文档的应用程序的行为都是相同的，所以表中的数据可能会或可能不会以所需的顺序读取（由于文档的方式build）。 要小心。

可能更好地让一对夫妇研究生转录数据给你。 他们很便宜:-)

Answer 2

所以…即使在一张相当复杂的桌子上，

从bmi pdf下载样本pdf

 library(tm) pdf <- readPDF(PdftotextOptions = "-layout") dat <- pdf(elem = list(uri='bmi_tbl.pdf'), language='en', id='id1') dat <- gsub(' +', ',', dat) out <- read.csv(textConnection(dat), header=FALSE) 

Answer 3

目前用于从PDF中获取文本的软件包是pdftools （上文提到的pdftools后继者），在Linux，Windows和OSX上很好用：

 install.packages("pdftools") library(pdftools) download.file("pdf/1403.2805.pdf", "1403.2805.pdf", mode = "wb") txt <- pdf_text("1403.2805.pdf") # first page text cat(txt[1]) # second page text cat(txt[2]) 

Answer 4

你也可以（现在）使用新的（2015-07） Rpoppler ：

 Rpoppler::PDF_text(file) 

它包括3个函数（4，真的，但只是让你一个ptr的PDF对象）：

• PDF_fonts PDF字体信息
• PDF_info PDF文档信息
• PDF_text PDF文本提取

（张贴作为帮助新search者find包裹的答案）。

Answer 5

每个zx8754 …下面的工作在Win7与pdftotext.exe在工作目录中：

 library(tm) uri = 'bmi_tbl.pdf' pdf = readPDF(control = list(text = "-layout"))(elem = list(uri = uri), language = "en", id = "id1")