2列PDFのテキストをRで抽出する

Question

2列形式のPDFがたくさんあります。 Rのpdftoolsパッケージを使用しています。各PDFを個別にトリミングせずに2列形式で各PDFを読む方法はありますか？

各PDFは選択可能なテキストで構成され、pdf_text関数はテキストを読むのに問題ありません。唯一の問題は、最初の列の最初の行を読み取り、次の列に進むことです。最初の列。

ご協力いただきありがとうございます。

Answer 1

私は同じ問題を抱えています。私がしたのは、自分のpdfページごとに最も頻繁にスペース値を取得し、それをVectorに保存することでした。その後、私はその値を使ってスライスしました。

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