使用 R 从 PDF 中抓取数据答案

【问题标题】：Scraping data from PDF using R使用 R 从 PDF 中抓取数据
【发布时间】：2018-11-19 23:14:06
【问题描述】：

我想从这个 PDF http://medias4.fis-ski.com/pdf/2019/JP/3088/2019JP3088RL.pdf 中提取数据（跳台滑雪）

我对除了bib、俱乐部和出生日期

之外的所有数据都感兴趣

我正在尝试使用 pdftools 库

pdf_text("raw/data.pdf") %>% strsplit(split = "\n")

我被困在这里。问题是列 points（门补偿）有时是空的，有时不是。我不知道如何处理。

我想要的输出是这样的：

Rank|Athlete       |Nation|(...)|Jump_1|Round_1|Jump_2|Round_2|Tot_points
1   |KLIMOV Evgeniy|RUS   |(...)|127.5 |130    |131.5 |133.4  |263.4

谁能帮帮我？

【问题讨论】：

标签： r pdf web-scraping screen-scraping

【解决方案1】：

看看这个：

library(tidyverse)
text<-pdftools::pdf_text("http://medias4.fis-ski.com/pdf/2019/JP/3088/2019JP3088RL.pdf")

list<-str_remove_all(text,"\\X+?TOTAL\\s+RANK\n") %>% 
  str_trim() %>% 
  str_split("\n\\s{10,}(?=\\p{L})") %>% 
  modify_depth(1,~str_split(.x,"\\s{2,}") %>%
                   map(~.x[1:13] %>% 
                         set_names(paste0("x",1:13))) 
                   )
## Just the first page
df<-bind_rows(!!!list[[1]])

这不是一个确定的解决方案，但它是一些进步。

【讨论】：