尝试从具有不同表格格式的长 PDF 中抓取

Question

我正在尝试从此处提供的 276 页 PDF 中抓取：https://www.acf.hhs.gov/sites/default/files/documents/ocse/fy_2018_annual_report.pdf

文档不仅很长，而且还有不同格式的表格。我尝试使用 tabulizer 库中的 extract_tables() 函数。这成功地抓取了从文档第 143 页开始的数据表，但不适用于第 18-75 页上的表。这些页面是不可擦除的吗？如果有，为什么？

我收到错误消息，提示“列多于列名”和“不允许重复的 'row.names'”

child_support_scrape <- extract_tables(
  file   = "C:/Users/Jenny/Downloads/OCSE_2018_annual_report.pdf", 
  method = "decide", 
  output = "data.frame")

Answer 1

由于 pdf 文件中的文本不是以纯文本格式存储的。通常很难从 pdf 文件中提取文本。以下方法提供了一种从 pdf 中提取表格的替代方法。它需要pdftools 和plyr 包。

# Download the pdf file as a variable in R
pdf_text <- pdftools::pdf_text("https://www.acf.hhs.gov/sites/default/files/documents/ocse/fy_2018_annual_report.pdf")

# Focus on the table in page 22
pdf_text22 <- strsplit(pdf_text[[22]], "\n")[[1]]

# Reformat the table using "regular expression"
pdf_text22 <- strsplit(pdf_text22, " {2,100}")

# Convert the table in a data frame
pdf_text22 <- plyr::rbind.fill(lapply(pdf_text22, function(x) as.data.frame(t(matrix(x)))))

可能需要额外的格式来美化数据框。