The new pdftools package allows for extracting text and metadata¹ from pdf files in R. [@Ooms2016]

pdftools包主要用于提取

pdf文本中的文字和
元数据 (作者等)

以节省我们复制pdf上信息的时间。以下是一些常用功能的介绍。

页面文本

去除 highlight 等，直接提取文字。

# install.packages("pdftools")
library(pdftools)

## Error in `library()`:
## ! there is no package called 'pdftools'

# download.file("http://arxiv.org/pdf/1403.2805.pdf", "1403.2805.pdf", mode = "wb")
txt <- pdf_text("1403.2805.pdf")

# first page text
cat(txt[1])

# second page text
cat(txt[2])

提取目录

方便进行阅读计划。

# Table of contents
toc <- pdf_toc("1403.2805.pdf")

# Show as JSON
jsonlite::toJSON(toc, auto_unbox = TRUE, pretty = TRUE)

提取 metadata

# Author, version, etc
(info <- pdf_info("1403.2805.pdf"))

# Table with fonts
(fonts <- pdf_fonts("1403.2805.pdf"))

PDF 转图片

# renders pdf to bitmap array
bitmap <- pdf_render_page("1403.2805.pdf", page = 1)

# save bitmap image
png::writePNG(bitmap, "page.png")
jpeg::writeJPEG(bitmap, "page.jpeg")
webp::write_webp(bitmap, "page.webp")

可以生成首页的图片

raw table

# download.file("http://arxiv.org/pdf/1406.4806.pdf", "1406.4806.pdf", mode = "wb")
txt <- pdf_text("1406.4806.pdf")

## Error in `pdf_text()`:
## ! could not find function "pdf_text"

# some tables
cat(txt[18])

## Error:
## ! object 'txt' not found

cat(txt[19])

## Error:
## ! object 'txt' not found

subset

参考 @Oomspdftools-22

# add2bibtex::add_bibtex("online")
# file.edit("add.bib")
# fs::dir_ls(regexp = "pdf$")

# extract some pages
pdf_subset('1403.2805.pdf',
           pages = 1:3, output = "subset.pdf")

# Should say 3
pdf_length("subset.pdf")

combine

# Generate another pdf
pdf("test.pdf")
rstudioapi::viewer("test.pdf")
plot(mtcars)
# dev.off()

# Combine them with the other one
pdf_combine(c("test.pdf", "subset.pdf"), output = "joined.pdf")

# Should say 4
pdf_length("joined.pdf")

主要指的是数据描述、结构、统计值等。 “These descriptive metadata, structural metadata, administrative metadata, reference metadata and statistical metadata.”[@wikimetadata]↩︎

技术：文本提取与分析

技术系列导航

页面文本

提取目录

提取 metadata

PDF 转图片

raw table

subset

combine

技术系列导航

技术：文本提取与分析

技术 系列导航

页面文本

提取目录

提取 metadata

PDF 转图片

raw table

subset

combine

技术 系列导航

技术系列导航

技术系列导航