问题标签 [tabulizer]

我一直在 R 中使用制表符包进行练习，并遇到以下问题。不幸的是，我无法提供可重现的示例，因为 pdf 是公司的财产，但我将详细描述问题。

我正在尝试阅读右上角有开始和结束日期的 PDF。当我打开 PDF 时，它们看起来很正常

现在有趣的部分。当我突出显示它们并使用 Ctrl+C 将它们复制到此处时，是粘贴到 R 时的结果。

这与会给出的废话完全相同extract_text(path, pages=1)。很多 t::ttttt:ttt... 我的问题是这个 PDF 中有一些安全性还是我只需要找出正确的编码或者因为这个 PDF 是从系统自动创建的，所以所有东西都有一些奇怪的符号?

我对 R 很陌生——但现在花了几天时间拼凑（感谢堆栈交换社区）我需要的代码，以完成我想要做的事情：从头到尾，我使用的是 Tabulizer 包将 pdf 表处理为 R。我正在努力解决数字的错误聚合（关闭 pdf）以及如何有效地将它们分成适当的列。

这是 Tabulizer 输出中相关列的子集：

更具体地说：“1 800 55, 8”是“1800”和“55.8”的错误聚合，并且在整个列中都会出现这种情况（应该是两个）。

我正在使用 gsub（在循环中）将小数逗号替换为小数点，并删除所述小数点周围不需要的空格。

这让我得到“1 800 55.8”，这更好但不是很好；第一个空格可能存在也可能不存在，或者可能有两个，具体取决于数字的大小 - 空格是原始文档中千位分隔符的替代。

我想将该列转换为适当的两个新列。我尝试使用 stringi::word 来隔离“最后一个单词”，并尝试匹配|从原始列中提取该输出（55.8），留下“1 800”，然后可以对其进行修剪，但我没有知道怎么。也没有与该解决方案结婚 - 愿意学习其他方式。非常感激。

我在 Mac 上的 R 中的以下 pdf 中使用 Tabulizer 0.2.2 extract_tables。

销售<-“ http://www.greenwichct.org/upload/medialibrary/5cd/Residential-Sales-by-Address-10-10-to-10-15.pdf ”

测试 <- extract_tables(sales,pages=c(1:10),method="decide")

我相信每一页上的表格都是相同的，但是例如前十页的矩阵结果列表给出了具有 3 个不同维度的矩阵。列有时会连接，例如在 test[[3]] 中与列 1 和 2。

我试过设置区域，指定方法。我四处寻找如何指定列参数，但找不到任何具体的东西。甚至使用了 extract_area()，但结果相同。使用 Tabula 应用程序也存在同样的问题。

任何想法表示赞赏。

我有一个包含许多表格的 PDF，我正在尝试使用 R 将它们解析为更易读的格式。到目前为止，我尝试了两种方法：

1. 用于pdftools::pdftext()获取文本，然后基本上使用正则表达式手动读取表格（老实说并没有听起来那么糟糕）
2. using tabulizer::extract_tables()，它以某种方式神奇地为我完成了所有工作（它有点慢但可以忍受）

这两种方法都出奇的好，但仍然存在一些与弄乱列/对齐有关的问题——有时列被合并，有时标题与数据列未对齐，等等。我愿意蛮力争吵数据，但是在我尝试之前，我只是想看看是否有更聪明的方法来做到这一点。

那么，有没有更好的方法从 PDF 中读取表格？

I'm trying to install the tabular package in order to pull tables from a pdf document. I tried the solution outlined here: Recognize PDF table using R, but I can't actually get all the precursor packages installed. I got rJava installed fine, but when I ran "library(rJava)" I got the following message:

Error : .onLoad failed in loadNamespace() for 'rJava', details: call: inDL(x, as.logical(local), as.logical(now), ...) error: unable to load shared object 'C:/Documents/R/3.3.1/library/rJava/libs/x64/rJava.dll': LoadLibrary failure: %1 is not a valid Win32 application.

In addition: Warning message: package ‘rJava’ was built under R version 3.3.3 Error: package or namespace load failed for ‘rJava’</p>

I was able to install devtools as well, but when I ran "devtools::install_github("ropensci/tabulizer", args="--no-multiarch")", I got the following error message:

Downloading GitHub repo ropensci/tabulizer@master from URL https://api.github.com/repos/ropensci/tabulizer/zipball/master Installing tabulizer "C:/DOCUME~1/R/R-33~1.1/bin/x64/R" --no-site-file --no-environ --no-save --no-restore --quiet CMD \ INSTALL "C:/AppData/Local/Temp/RtmpsteRkU/devtools2ac44b92539b/ropensci-tabulizer-bc195cb" \ --library="C:/Documents/R/R-3.3.1/library" --install-tests --no-multiarch

Not sure what exactly is going on. Thanks in advance for any direction here.

我正在使用 macOS High Sierra 版本 10.13.6。RStudio 是版本 1.1.456。我想使用 tabulizer 库，但安装失败并出现以下错误消息。在我一个月前重新安装 macOS 系统之前，它曾经可以工作。

到目前为止，我在 Google 上找到的任何东西都没有解决这个问题。有人认为这与我完全不熟悉的 Java 有关。

谁能帮帮我？谢谢！

我正在尝试使用 R Plumber 通过 HTTP 发布请求访问 PDF，使用制表程序包阅读它，并使用 JSON 格式的 PDF 进行响应。我通过 Postman 将 53kb PDF 发布到我的路线并收到错误消息：

normalizePath 中的错误（path.expand(path)、winslash、mustWork）。

我的 R API 路由代码如下：

当我将 extract_tables() 函数与我正在使用的 PDF 的本地路径一起使用时，它可以完美地用作获取路径。

有人知道如何通过 Plumber 发布 pdf 文件并在函数中访问它吗？

我正在尝试使用制表器解析一些历史原油价格数据，并遇到了似乎是编码错误的问题。下面是一个可重现的示例，其中包含我要抓取的文件之一。

pdf_info 除了文件相对较旧外，没有返回任何异常。我尝试将这些作为表格或文本运行，但我得到了不同类型的错误，但文本调用似乎揭示了问题可能出在哪里。

当我作为表格抓取时，定价的第一列没有分隔，插入额外的小数等等。

当我以文本形式毕业时，我可以看到编码字符似乎将其中的一些字符用于循环。

其他几个测试位。首先，我可以将 PDF 渲染为位图，并适当地传输内容。不确定这是否提供信息。

接下来，如果我从 PDF 复制到 Excel，则会重现相同的错误：

在 Word 中也是如此：

非常感谢任何想法或帮助。

安德鲁

在使用 tabulizer 和 pdftools 从 pdf 中提取信息时，我有时想根据正则表达式模式匹配索引大量 df 列表。

我想使用 str_detect 返回与模式“养老金”匹配的基础 df 索引。

所需的输出将是：

如何检测底层 df 中的模式，然后返回使用一直很困难的索引。我看到以前的讨论使用循环和 if-then 语句，但使用 purrr 的解决方案似乎更受欢迎。

如何从PDF中刮取带有一些标题文本的表格？我正在尝试使用 tabulizer 包。这是从特定页面获取表格的示例（波兰语“公共卫生需求地图”）

这让我在特定页面获得一张桌子。但是我会从网站上刮掉很多这样的 pdf：http : //www.mpz.mz.gov.pl/mapy-dla-30-grup-chorob-2018/，然后是每个疾病都有很多链接的子页面，获取与 rvest 的链接，对于波兰的每个省，我需要在特定的标题字符串之后抓取表格，例如。

Tabela 1.2.2: Struktura zapadalnosci rejestrowanej w zależności od płci, miejsca zamieszkania oraz grupy wiekowej - Choroby układowe tkanki łącznej"

我需要检测 Tabela(...) Struktura zapadalnosci(...)"，因为这些表格可能不在同一页面上。非常感谢您提前提供的任何指示和想法。

编辑：在我问了这个问题之后，到目前为止我成功地找到了表格可能所在的页面，可能非常无效：