重建已抓取的web的列的提示pdf
重建已抓取的web的列的提示pdf
提问于 2019-06-13 03:29:38
我在抓取这个web pdf表时遇到了问题：
https://www.usbr.gov/mp/cvo/vungvari/milfln.pdf
转换成一个data.frame。这是我到目前为止所知道的：
library(pdftools)
df <- "https://www.usbr.gov/mp/cvo/vungvari/milfln.pdf"
df <- pdf_text(df)从这里看，似乎所有的数据都被抓取了，但是列结构丢失了。重建列(或者在没有pdftools的情况下以完全不同的方式进行抓取)有哪些推荐的方法？一旦建立了列，我想我就能够格式化/整理数据了。谢谢。
回答 1
Stack Overflow用户
回答已采纳
发布于 2019-06-13 21:45:36
您的代码以文本形式返回pdf。桌子在里面，你只要把它拿出来就行了。
library(pdftools)
file <- "https://www.usbr.gov/mp/cvo/vungvari/milfln.pdf"
rawtext <- pdf_text(file)
start <- "\r\n 1"
end <- "\r\n TOTALS"
df <- read.table(text=substring(rawtext, regexpr(start, rawtext), regexpr(end, rawtext)))
> head(df)
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 V13
1 1 41,633 18,956 86,010 100,117 121,958 24,176 40,473 3,739 437,062 +1,443 +728 6,904
2 2 41,867 20,547 86,241 100,249 122,481 24,282 40,635 3,715 440,017 +2,955 +1,490 6,874
3 3 42,212 22,371 86,148 100,249 122,882 23,753 40,841 3,739 442,195 +2,178 +1,098 8,201
4 4 43,002 25,223 86,460 100,396 123,395 23,734 41,059 3,722 446,991 +4,796 +2,418 9,363
5 5 44,225 29,253 86,923 100,601 123,804 23,602 41,356 3,680 453,444 +6,453 +3,253 11,137
6 6 45,978 34,036 87,529 101,234 123,954 23,548 41,642 3,643 461,564 +8,120 +4,094 12,288
V14 V15
1 7,632 1,554.8
2 8,364 1,571.4
3 9,299 1,589.8
4 11,781 1,613.2
5 14,390 1,641.7
6 16,382 1,674.2regexpr返回start和end所在的字符串中的索引。substring使用这些索引将文本限制为仅限于表格。然后，read.table将文本格式化为data.frame。您必须自己添加列标题。您可能还希望删除逗号，并将列更改为数字。
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/56569175
复制相关文章
相似问题
腾讯云开发者
