從兩列PDF中提取文本與R

Question

我有很多兩列格式的PDF。我在R中使用pdftools包。有沒有辦法根據兩列格式讀取每個PDF，而無需單獨裁剪每個PDF？

每個PDF由可選擇的文本組成，並且pdf_text函數讀取文本沒有問題，唯一的問題是它會讀取第一列的第一行，然後進入下一列，而不是向下移動第一列。

非常感謝您的幫助。

Answer 1

我會遇到同樣的問題。我所做的就是爲每個pdf頁面獲取最頻繁的空間值，並將其存儲到Vector中。然後我用這個值切片。

library(pdftools) 
src <- "" 
trim <- function (x) gsub("^\\s+|\\s+$", "", x) 

QTD_COLUMNS <- 2 
read_text <- function(text) { 
    result <- '' 
    #Get all index of " " from page. 
    lstops <- gregexpr(pattern =" ",text) 
    #Puts the index of the most frequents ' ' in a vector. 
    stops <- as.integer(names(sort(table(unlist(lstops)),decreasing=TRUE)[1:2])) 
    #Slice based in the specified number of colums (this can be improved) 
    for(i in seq(1, QTD_COLUMNS, by=1)) 
    { 
    temp_result <- sapply(text, function(x){ 
     start <- 1 
     stop <-stops[i] 
     if(i > 1)    
     start <- stops[i-1] + 1 
     if(i == QTD_COLUMNS)#last column, read until end. 
     stop <- nchar(x)+1 
     substr(x, start=start, stop=stop) 
    }, USE.NAMES=FALSE) 
    temp_result <- trim(temp_result) 
    result <- append(result, temp_result) 
    } 
    result 
} 

txt <- pdf_text(src) 
result <- '' 
for (i in 1:length(txt)) { 
    page <- txt[i] 
    t1 <- unlist(strsplit(page, "\n"))  
    maxSize <- max(nchar(t1)) 
    t1 <- paste0(t1,strrep(" ", maxSize-nchar(t1))) 
    result = append(result,read_text(t1)) 
} 
result