Rを使用してPDFテーブルを認識

Question

私はいくつかのpdfレポートの中のテーブルからデータを抽出しようとしています。

pdftoolsと同様のパッケージを使っていくつかの例を見てきましたが、私はテキストの取得に成功しましたが、テーブルを抽出したいだけです。

テーブルを認識して抽出するためにRを使用する方法はありますか？

Answer 1

私もこれに対する答えを知りたいです。しかし、私の経験から、正規表現を使用して、必要な形式でデータを取得する必要があります。例として以下を見ることができます：

library(pdftools) 
dat <- pdftools::pdf_text("https://s3-eu-central-1.amazonaws.com/de-hrzg-khl/kh-ffe/public/artikel-pdfs/Free_PDF/BF_LISTE_20016.pdf") 
dat <- paste0(dat, collapse = " ") 
pattern <- "Berufsfeuerwehr\\s+Straße(.)*02366.39258" 
extract <- regmatches(dat, regexpr(pattern, dat)) 
extract <- gsub('\n', " ", extract) 
strsplit(extract, "\\s{2,}") 

ここからデータをループして、必要に応じてテーブルを作成することができます。しかし、あなたがリンクで見ることができるように、PDFはテーブルではありません。

Answer 2

最近、私は最近同じことを考えました

私はそれをしました。tabulizer @hrbrmstrも示唆しています。 Rバージョン3.4.0を既に使用している場合、私は以下の解決策を提供しています。特定の順序で3つのパッケージをインストールします。

install.packages("rJava") 
library(rJava) # load and attach 'rJava' now 
install.packages("devtools") 
devtools::install_github("ropensci/tabulizer", args="--no-multiarch") 

これで、PDFレポートからテーブルを抽出する準備が整いました。

library(tabulizer) 

# specify an example and load it into your workspace 
report <- "http://www.stat.ufl.edu/~athienit/Tables/Ztable.pdf" 
lst <- extract_tables(report, encoding="UTF-8") 
# peep into the doc for further specs (page, location etc.)! 

# after examing the list you want to do some tidying 
# 1st delete blank columns 
lst[[1]] <- lst[[1]][, -3] 
lst[[2]] <- lst[[2]][, -4] 

# 2nd bind the list elements, if you want and create a df... 
table <- do.call(rbind, lst) 
table <- as.data.frame(table[c(2:37, 40:nrow(table)), ], 
         stringsAsFactors=FALSE) # ...w/o obsolete rows 

# 3rd take over colnames, cache rownames to vector 
colnames(table) <- table[1, ] 
rn <- table[2:71, 1] 
table <- table[-1,-1] # and bounce them out of the table 

# 4th I'm sure you want coerce to numeric 
table <- as.data.frame(apply(table[1:70,1:10], 2, 
          function(x) as.numeric(as.character(x)))) 
rownames(table) <- rn # bring back rownames 

table # voilà 

希望します。

制限：は確かに、この例では、テーブルは非常に簡単ですし、多分あなたはgsub、stringrtidyrとかのこの種の周りの混乱に持っています。