r - 使用 R 识别 PDF 表格

Question

我正在尝试从一些 pdf 报告中的表格中提取数据。

我已经看到一些使用 pdftools 和类似软件包的示例，我成功地获取了文本，但是，我只想提取表格。

有没有办法使用 R 来识别和提取表？

Answer 1

Answer 2

我也很想知道这个问题的答案。但根据我的经验，您需要使用正则表达式以您想要的格式获取数据。您可以看到以下示例：

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,}")

然后可以从这里循环数据以根据需要创建表。但正如您在链接中看到的那样，PDF不仅仅是一张表格。