基于字符串和tabulizer包的列表提取
基于字符串和tabulizer包的列表提取
提问于 2017-10-26 09:55:41
提取季度损益表，并将其转换为表格形式。
# 2017 Q3 Report
telia_url = "http://www.teliacompany.com/globalassets/telia-
company/documents/reports/2017/q3/telia-company-q3-2017-en"
telialists = extract_tables(telia_url)
teliatest1 = as.data.frame(telialists[22])
#2009 Q3#
telia_url2009 = "http://www.teliacompany.com/globalassets/telia-
company/documents/reports/2009/q3/teliasonera-q3-2009-report-en.pdf"
telialists2009 = extract_tables(telia_url2009)
teliatest2 = as.data.frame(telialists2009[9])只对综合综合报表感兴趣的综合收入表。对于所有历史报告，此字符串都是精确的或非常相似的。
上面，在2017年的报告中，第22份是正确的表格。然而，由于2009年的报告有不同的布局，第9是正确的具体报告。
根据“汇总综合收入报表”中的字符串(或子字符串)所在的位置，有什么聪明的解决方案可以使这个函数动态化？
也许使用tm包来查找相对位置？
谢谢
回答 1
Stack Overflow用户
回答已采纳
发布于 2017-10-27 22:34:59
您可以使用pdftools找到您感兴趣的页面。
例如，像这样的函数应该完成以下工作：
get_table <- function(url) {
txt <- pdftools::pdf_text(url)
p <- grep("condensed consolidated statements.{0,10}comprehensive income",
txt,
ignore.case = TRUE)[1]
L <- tabulizer::extract_tables(url, pages = p)
i <- which.max(lengths(L))
data.frame(L[[i]])
}第一步是读取字符向量txt中的所有页面。然后，grep允许您找到您想要的第一页(我插入了.{0,10}以允许最多10个字符，比如标题中间的空格或换行符)。
使用tabulizer，您可以提取位于此页面上的所有表的列表L，这应该比提取文档的所有表要快得多，就像您所做的那样。您的表可能是该页面中最大的表，因此是which.max。
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/46951283
复制相关文章
相似问题
腾讯云开发者
