根据标题抓取 PDF 表格答案

【问题标题】：Scraping PDF tables based on title根据标题抓取 PDF 表格
【发布时间】：2020-11-26 16:40:55
【问题描述】：

我正在尝试从 31 个 pdf 中分别提取一个表。表格的标题都以相同的方式开始，但结束因地区而异。

其中一份文件的标题是“表 13.1：2011/12 农业年度按地区、农村和城市居住的从事农业的家庭总数；阿鲁沙地区，2012 年人口普查”。另一个是“表 13.1：2011/12 农业年度按地区、农村和城市居民分列的从事农业的家庭总数；多多马地区，2012 年人口普查。”

我使用 tabulizer 根据我需要的特定文本行手动抓取第一个表，但考虑到类似的命名约定，我希望自动化这个过程。

```
PATH2<-  "Regions/02. Arusha Regional Profile.pdf"
```
txt2 <- pdf_text(PATH2) %>%
readr:: read_lines()
```

specific_lines2<- txt2[4621:4639] %>%
str_squish() %>%
str_replace_all(",","") %>%
strsplit(split = " ")

【问题讨论】：

标签： r tabulizer

【解决方案1】：

什么：您可以在每个文件上找到标题的公共部分并从中提取数据（如果每个文件只出现一次标题）

如何：构建一个函数来获取 pdf 上的表格，然后让 lapply 上的函数为所有 pdf 运行。

例子：

首先，加载函数以查找包含标题的页面并从中获取文本。

  get_page_text <- function(url,word_find) {
  txt <- pdftools::pdf_text(url)
  p <- grep(word_find, txt, ignore.case = TRUE)[1]       # Sentence to find
  L <- tabulizer::extract_text(url, pages = p)    
  i <- which.max(lengths(L))
  data.frame(L[[i]])
  }

其次，获取文件名。

setwd("C:/Users/xyz/Regions")
files <- list.files(pattern = "pdf$|PDF$") # Get file names on the folder Regions.

然后，“循环”（lapply）为每个 pdf 运行函数。

reports <- lapply(files,
                  get_page_text,
                  word_find = "Table 13.1: Total Number of Households Engaged in Agriculture by District, Rural and Urban Residence During 2011/12 Agriculture Year")

结果是一个变量列表，其中每个提取的 pdf 都有一个 data.frame。接下来是清理您的数据。

根据您的 pdf 格式，该功能可能会有很大差异。找到页面对我来说很有效，你会找到最适合你的。

【讨论】：