将扫描的pdf转换为R中可搜索的pdf
将扫描的pdf转换为R中可搜索的pdf
提问于 2022-11-16 20:28:48
我有一个pdf，大约50页扫描表。我需要最终把它刮到R中，这样我就可以清理数据并将其导出为.csv。我有使用tabulizer抓取可读的pdfs的经验，但我以前从未真正使用过扫描pdfs，tabulizer无法读取它们。
环顾在线，我所能得到的最远就是将扫描的pdf作为一个字符对象读取到R中，但这会使格式发生很大的变化，因此表中的列都错对齐了，并出现了无序。即使它的格式仍然很好，我也不知道如何将字符对象转换成最终的df。
有没有一种方法可以将扫描的pdf转换成可读的pdf，这样我就可以在tabulizer中抓取它了？还是另一种将扫描的pdfs抓取到表中的方法？
回答 1
Stack Overflow用户
发布于 2022-11-16 22:49:09
tesseract::ocr函数可以读取PDF文件并将它们转换为文本。然后，您可以将其作为文档处理，并生成一个(可能非常难看！)PDF文件：
library(tesseract)
eng <- tesseract("eng")
yaml <- '
---
output: pdf_document
---'
text <- tesseract::ocr("scanned.pdf", engine=eng)
lines <- unlist(strsplit(text, "\n"))
lines2 <- c(yaml, lines2)
writeLines(lines2, "ocr.Rmd")然后在那份文件上运行run。您会得到很多OCR错误，所以编辑.Rmd文件来修复它们，然后再做一次(然后再次.)。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/74466819
复制相关文章
相似问题
腾讯云开发者
