pdftools：在字符串中嵌入 NUL

Question

我正在尝试从以下链接下载文件并自动读取其信息：

http://www.leyes.congreso.gob.pe/Documentos/2016_2021/Proyectos_de_Ley_y_de_Resoluciones_Legislativas/PL0361420181108.pdf

问题是当我尝试阅读 pdf 上的信息时，我得到一个错误。它似乎时断时续，我看不出一个很好的理由。该错误似乎仅限于 Linux。

library(pdftools)
link = "http://www.leyes.congreso.gob.pe/Documentos/2016_2021/Proyectos_de_Ley_y_de_Resoluciones_Legislativas/PL0361420181108.pdf"
download.file(link, "somefile.pdf")
pdf_info("somefile.pdf")
Error in poppler_pdf_info(loadfile(pdf), opw, upw) : 
  Embedded NUL in string.

我还尝试了什么：

• 尝试使用 mode = "wb" 下载
• 尝试使用 httr 使用 write_disk 方法下载
• 尝试在windows上手动下载，成功了！ :(

我怀疑这与我下载文件的方式有关。但是，我不知道我应该尝试什么替代方案。

Answer 1

所以，这根本行不通。除了分页符之外，该文档中没有任何文本。都是图像。

如果 rJava 在您的系统上运行，并且您可以并且愿意从不受信任的来源（例如 GitHub）安装软件包，您可以安装 pdfbox _{（请注意那里的安全警告，因为我没有更新 @987654324 @JARs 但唯一的漏洞是潜在的拒绝服务进程）} 来验证这一点，因为它不像 pdftools 那样脆弱。

当我使用 httr::write_disk() 或 curl::curl_download() 方法获取 PDF（在美国也需要一段时间的男孩）时，我做了：

pdfbox::extract_text("~/Downloads/ill-bet-this-is-all-images.pdf")
## # A tibble: 14 x 2
##     page text 
##    <int> <chr>
##  1     1 "\n" 
##  2     2 "\n" 
##  3     3 "\n" 
##  4     4 "\n" 
##  5     5 "\n" 
##  6     6 "\n" 
##  7     7 "\n" 
##  8     8 "\n" 
##  9     9 "\n" 
## 10    10 "\n" 
## 11    11 "\n" 
## 12    12 "\n" 
## 13    13 "\n" 
## 14    14 "\n"

繁荣：没有文字。

您需要使用一些 rOpenSci 图像到文本 OCR 工具从该文档中获取任何有意义的内容。