代码之家  ›  专栏  ›  技术社区  ›  matsuo_basho

使用pdftools在R中按段落解析PDF

  •  2
  • matsuo_basho  · 技术社区  · 9 年前

    我正在尝试用R按段落解析PDF文档。我将PDF保存在本地机器上。因此,请从 Apple website

    require(pdftools)
    
    apple <- pdf_text('apple.pdf')
    
    apple[[26]]
    

    问题是,如果我们检查第26页,每一行都以一个“\r\n”终止。这与第一段末尾(斜体)和概述和突出显示段没有什么不同。在PDF中,似乎跳过了2行,但R中的对象没有反映这一点。

    我无法确定这是否是这个特定软件包的功能,或者实际上转换为文本是否消除了这些段落标记。我无法使用其他方法设置导入(例如使用 tm package )

    1 回复  |  直到 9 年前
        1
  •  2
  •   Community Mohan Dere    6 年前

    我认为这是文档的基本属性(不是一般文本转换过程或 pdftools ).

    如果您使用鼠标跨段落分隔符选择文本,它不会拾取空行,这表明它们是PDF布局元数据的一部分,而不是文本本身(尽管我实际上对PDF文件规格一无所知):

    selected paragraph break

    你最好的选择可能是提出启发式规则集来识别段落中断。我在想这样的事情:

    • 前一行以句点结束,然后\r\n
    • 段落标题行很短,结尾没有句点,然后\r\n