问带有搜索条件的PDF文本提取
EN

Stack Overflow用户

提问于 2020-06-18 21:55:19

回答 1查看 315关注 0票数 0

我需要从PDF中提取文本，我有一个关键字列表，它告诉我我需要提取哪些文本部分。

PDF看起来如下所示：

Schema元素： Keyword1这是my关键字

Fontsize: 14我不需要这个

Guide以完成架构元素：文本文本。这是我需要的文本，可以在2到3行之间。甚至包含多个句子。

Schema元素： Keyword2这是my关键字

Fontsize: 18我不需要这个

Guide来完成模式元素：文本文本，这是我需要的文本，它可以在2到3行之间长。甚至包含多个句子。此文本与上面的文本不同。

到目前为止，这是我的代码：

library(pdftools)
library(pdfsearch)
library(tidyverse)
pdf <- pdf_text(dir(pattern = "*.pdf")) %>%
read_lines()
Keyword_list <- c("swDisproportionateCost", `"swDisproportionateCostOtherEULegislation", "swExemptionsTransboundary","swDisproportionateCostAlternativeFinancing","swDisproportionateCostAnalysis","swDisproportionateCostScale")`

然后我尝试使用keyword_search，但它只告诉我关键字在哪一行。

我想将草书中的文本提取为我的keyword_list中的一个新列。我认为可以用regex来完成，使用关键字和粗体中的文本作为开始和停止。

这是一个到pdf的链接。https://www.dropbox.com/s/kyyzr5wnh8z87if/FINAL%20Draft4_WFD_Reporting_Guidance_2022_resource_page.pdf?dl=0

pdf

回答 1

Stack Overflow用户

回答已采纳

发布于 2020-06-22 05:14:30

这只是一个相当平淡无奇的文本提取工作。做这件事有很多种方法，而且我相信有比这更优雅的方法，但这个方法做的是：

library(pdftools)
library(dplyr)

keywords <- pdf_text("mypdf.pdf") %>%
strsplit("Schema element:") %>%
  lapply(function(x) x[-1]) %>%
  lapply(function(x) sapply(strsplit(x, "\r\n"), `[`, 1)) %>%
  unlist %>%
  trimws()

text <- pdf_text("mypdf.pdf") %>%
  strsplit("Guidance on completion of schema element:") %>%
  lapply(function(x) x[-1]) %>%
  lapply(function(x) sapply(strsplit(x, ":"), `[`, 1)) %>%
  lapply(function(x) sapply(strsplit(x, "\r\n"), 
                            function(y) paste(y[-length(y)], collapse = ""))) %>%
  unlist() %>%
  {gsub("  ", " ", .)} %>%
  trimws() %>%
  strsplit("Guidance on contents") %>%
  sapply(`[`, 1)

df <- tibble(keywords, text)

结果如下：

df
#> # A tibble: 15 x 2
#>    keywords                       text                                                   
#>    <chr>                          <chr>                                                  
#>  1 swExemption44Driver            "Required. Select from the enumeration list the driver~
#>  2 swExemption45Impact            "Required. Select from the enumeration list the impact~
#>  3 swExemption45Driver            "Required. Select from the enumeration list the driver~
#>  4 swDisproportionateCost         "Required. Indicate if disproportionate costs have bee~
#>  5 swDisproportionateCostScale    "Conditional. Select from the enumeration list the  sc~
#>  6 swDisproportionateCostAnalysis "Conditional. Select from the enumeration list the  an~
#>  7 swDisproportionateCostAlterna~ "Conditional. Select from the enumeration list the  al~
#>  8 swDisproportionateCostOtherEU~ "Conditional. Indicate whether the costs of basic  mea~
#>  9 swTechnicalInfeasibility       "Required. Report how ‘technical infeasibility’ has be~
#> 10 swNaturalConditions            "Required. Select from the enumeration list the  eleme~
#> 11 swExemption46                  "Required. Select from the enumeration list the reason~
#> 12 swExemption47                  "Required. Select from the enumeration list the  modif~
#> 13 swExemptionsTransboundary      "Required. Indicate whether the application of  exempt~
#> 14 swExemptionsReference          "Required. Provide references or hyperlinks to the  re~
#> 15 driversSWExemptionsReference   "Required. Provide references or hyperlinks to the  re~