从 R 中定位 pdf 表中的特定列答案

【问题标题】：locating specific columns in a pdf table from R从 R 中定位 pdf 表中的特定列
【发布时间】：2021-04-07 13:51:19
【问题描述】：

我想知道如何在this pdf document 的最后一页（第 18 页）的表格中找到左起第 2 列和第 3 列。

我正在使用pdftools 包，我想知道是否有办法从左侧提取第二和第三列，它们只是数字数据？

library(pdftools)
df <- pdf_data("https://github.com/rnorouzian/m/raw/master/Kang_et_al%20(2015).pdf")[[18]]

【问题讨论】：

标签： r regex dataframe pdf web-scraping

【解决方案1】：

接受的答案很复杂，在浪费了相当多的时间摆弄 pdf_data() 输出之后，认为这可能有助于展示如何提取和操作向量。

library(pdftools)
library(stringr)
df <- pdf_data("https://github.com/rnorouzian/m/raw/master/Kang_et_al%20(2015).pdf")[[18]]
df <- df[stringr::str_detect(df$text, "\\d"),]
data.frame(se = df$text[df$x == 189], g = df$text[df$x == 252])

【讨论】：

编辑您的答案以包含其他说明会很有用。这种方法与公认的答案有何不同？

【解决方案2】：

使用一些 tidy verse 包可以这样实现：

过滤第二和第三列中的值。第 2 列值从位置 x=189 开始，第 3 列从 x=252 开始。
另外，为了确保我们只获得我首先转换为数字的值，从而所有文本都转换为 NA。注意：其中一个值有一个逗号作为小数点，我首先必须删除它。
获取值后，我使用pivot_wider 重新调整数据集，并为其添加一行id。
最后我重命名了列。

library(pdftools)
#> Using poppler version 0.73.0
df <- pdf_data("https://github.com/rnorouzian/m/raw/master/Kang_et_al%20(2015).pdf")[[18]]

library(dplyr)
library(tidyr)
library(stringr)

col_x <- c(189, 252)

df %>% 
  mutate(value = str_replace(text, "(\\d+),(\\d+)", "\\1.\\2"),
         value = as.numeric(value)) %>% 
  filter(x %in% col_x, !is.na(value)) %>% 
  select(x, value) %>% 
  group_by(x) %>% 
  mutate(id = row_number()) %>% 
  pivot_wider(names_from = x, values_from = value) %>% 
  rename(row = 1, g = 2, se = 3)
#> Warning: Problem with `mutate()` input `value`.
#> ℹ NAs introduced by coercion
#> ℹ Input `value` is `as.numeric(value)`.
#> Warning in mask$eval_all_mutate(dots[[i]]): NAs introduced by coercion
#> # A tibble: 20 x 3
#>      row     g    se
#>    <int> <dbl> <dbl>
#>  1     1 0.089 0.179
#>  2     2 0.383 0.257
#>  3     3 0.481 0.355
#>  4     4 0.496 0.356
#>  5     5 0.103 0.335
#>  6     6 0.104 0.257
#>  7     7 0.068 0.289
#>  8     8 0.43  0.359
#>  9     9 1.48  0.351
#> 10    10 1.38  0.257
#> 11    11 0.888 0.388
#> 12    12 0.570 0.314
#> 13    13 0.642 0.39 
#> 14    14 1.16  0.364
#> 15    15 0.341 0.432
#> 16    16 0.607 0.299
#> 17    17 0.473 0.361
#> 18    18 0.472 0.423
#> 19    19 0.902 0.368
#> 20    20 0.245 0.363

^{由reprex package (v0.3.0) 于 2020 年 12 月 31 日创建}

【讨论】：