R 音节化和正则表达式问题
我有一个pdf文件，我正在阅读作为文本 我遇到的问题与数字之间的音节有关 链接到github上的R 音节化和正则表达式问题,r,regex,string,stringi,tidytext,R,Regex,String,Stringi,Tidytext,我有一个pdf文件，我正在阅读作为文本 我遇到的问题与数字之间的音节有关 链接到github上的 library(pdftools) library(tidytext) library(readxl) library(dplyr) setwd("~/Automation - Official Guazzete") path <- getwd() pdf_file <- file.path(path, "stecajni_postapki.pdf") test <- pdf_
library(pdftools)
library(tidytext)
library(readxl)
library(dplyr)
setwd("~/Automation - Official Guazzete")
path <- getwd()
pdf_file <- file.path(path, "stecajni_postapki.pdf")
test <- pdf_text(pdf_file)
gsub("(\\d)-(\\d)", "\\1\\2", "530000101378-659")
--（）\\d（\\d）-（\\d）\\1-\\9test <- c("530000101378-659", "2-53", "2777-a", "brb - 27")
gsub("(\\d)-(\\d)", "\\1\\2", test)
#output: [1] "530000101378659" "253" "2777-a" "brb - 27"
test[4]
"....со жиро-сметка бр. 5300001013786.7.2017 годи-659, која се води в..."
test <- pdf_text(pdf_file)
test = gsub("[\r\n]", " ", test)
list = strsplit(test, " {2,}") #split anywhere where there are 2 or more consecutive spaces - hopefully only between two paragraphs (if not the output wont make much sense)
resi = lapply(list, function(x) {
unl = unlist(x)
len = length(x)
uneven = seq(from = 1, to = len , by =2)
even = seq(from = 2, to = len , by =2)
uneven = unl[uneven]
even = unl[even]
uneven = paste(uneven, collapse = " ")
even = paste(even, collapse = " ") #intentionally leave a space between them, one could even use something that is not expected to occur in the document like "frafrafra" and use that in the gsub call later as gsub("(\\d)-frafrafra(\\d)", "\\1\\2", resi)
return(cbind(uneven, even))
}) #separate even from uneven rows
resi = unlist(resi)
resi = gsub("(\\d)- (\\d)", "\\1\\2", resi) #clean numbers
resi = gsub("(\\b)- (\\b)", "\\1\\2", resi) #clean words
resi[8] # instead of 4 since we split even and odd rows
[1] "10 јули 2017 Извод од Решението да се објави во „Сл. весник на РМ“ и на
огласната табла на судот. Се налага на Прокредит банка АД Скопје и на Охридска
банка АД Охрид како институција што вршеле платен промет за субјектот, по
приемот на ова Решение доколку на жиро-сметката на субјектот се наоѓаат средства
и тие да се префрлат на жиро-сметка на Буџетските средства на РМ – Трезорска
сметка при НБРМ на трансакциона сметка 10000000063095, сметка на Буџетски
корисник бр. 630010001963019, приходна шифра (34168) ___________ Против
погоренаведеното Решение, доверителите имаат право на жалба преку овој суд до
Апелациониот суд во Гостивар, во рок од 8 дена од објавувањето на Решението во
„Сл. весник на РМ“. По правосилноста на Решението, должникот ќе се брише од
Трговскиот регистар што се води при Централниот регистар на РМ – Регионална
регистрациона канцеларија – Тетово. (34165) __________ гледување на грозје, со
трансакциски сметки број 200000036020069 во Стопанска банка АД Скопје, број на
постапка над стечајниот должник Друштво за трговија на големо и мало и услуги
АНИТОМ ДООЕЛ увоз-извоз Гостивар, со жиро-сметка бр. 530000101378659, која се
води во Охридска банка АД Скопје, со ЕДБ 4007011510476 и ЕМБС 6677754.
Стечајната постапка не се спроведува поради немање имот и се заклучува. Против
погоренаведеното Решение, дозволена е жалба преку Основниот суд во Гостивар до
Апелациониот суд во Гостивар, во рок од 8 дена од денот на објатано од денот на
објавувањето на Решението во „Службен весник на Република Македонија“, да ги
пријават (34166) __________ на подвижни предмети и права на должникот, како и
разлачните права на недвижностите на должникот што не се запишани во јавните
книги и разлачните права на недвижностите на должникот што се запишани во
јавните книги, своите разлачни права на подвижните предмети и на правата на
должникот што се запишани во регистрите во кои тие предмети, односно права се
запишани да ги пријават кај стечајниот управник во рок од 15 Седницата на
Собранието на доверители ќе се одржи во Основниот суд во Велес на ден 14.7.2017
година, во 10:30 часот, во судница бр. 7 на II кат, на Осна кои предмети постои
разлачно право, начинот и основот на засновање на тоа право, како и средствата
за ДНЕВЕН РЕД своите обврски што ги имаат спрема должникот да ги исполнат на
стечајниот управник. Се закажува рочиште за испитување и утврдување (34167)
__________ ца бр. 3 во Основниот суд во Штип. Се закажува Собрание на доверители
на кое врз основа на извештајот на стечајниот управник, ќе се одлучува за
натамошниот тек на стечајната постапка (Извештајно собрание) за 12.10.2017
година со почеток во 12:00 часот, во судница бр. 3 во Основниот суд во Штип.
Отворањето на стечајната постапка да се запише во Трговскиот регистар при
Централниот регистар на РМ, во јавните книги во кои се запишани правата врз
недвижностите и во други соодветни регистри. Ова Решение да се објави на
огласната табла на Основниот суд во Штип и во „Службен весник на РМ“.
gsub("(\\d)-(\\d)", "\\1\\2", "530000101378-659")
--（）\\d（\\d）-（\\d）\\1-\\9test <- c("530000101378-659", "2-53", "2777-a", "brb - 27")
gsub("(\\d)-(\\d)", "\\1\\2", test)
#output: [1] "530000101378659" "253" "2777-a" "brb - 27"
test[4]
"....со жиро-сметка бр. 5300001013786.7.2017 годи-659, која се води в..."
test <- pdf_text(pdf_file)
test = gsub("[\r\n]", " ", test)
list = strsplit(test, " {2,}") #split anywhere where there are 2 or more consecutive spaces - hopefully only between two paragraphs (if not the output wont make much sense)
resi = lapply(list, function(x) {
unl = unlist(x)
len = length(x)
uneven = seq(from = 1, to = len , by =2)
even = seq(from = 2, to = len , by =2)
uneven = unl[uneven]
even = unl[even]
uneven = paste(uneven, collapse = " ")
even = paste(even, collapse = " ") #intentionally leave a space between them, one could even use something that is not expected to occur in the document like "frafrafra" and use that in the gsub call later as gsub("(\\d)-frafrafra(\\d)", "\\1\\2", resi)
return(cbind(uneven, even))
}) #separate even from uneven rows
resi = unlist(resi)
resi = gsub("(\\d)- (\\d)", "\\1\\2", resi) #clean numbers
resi = gsub("(\\b)- (\\b)", "\\1\\2", resi) #clean words
resi[8] # instead of 4 since we split even and odd rows
[1] "10 јули 2017 Извод од Решението да се објави во „Сл. весник на РМ“ и на
огласната табла на судот. Се налага на Прокредит банка АД Скопје и на Охридска
банка АД Охрид како институција што вршеле платен промет за субјектот, по
приемот на ова Решение доколку на жиро-сметката на субјектот се наоѓаат средства
и тие да се префрлат на жиро-сметка на Буџетските средства на РМ – Трезорска
сметка при НБРМ на трансакциона сметка 10000000063095, сметка на Буџетски
корисник бр. 630010001963019, приходна шифра (34168) ___________ Против
погоренаведеното Решение, доверителите имаат право на жалба преку овој суд до
Апелациониот суд во Гостивар, во рок од 8 дена од објавувањето на Решението во
„Сл. весник на РМ“. По правосилноста на Решението, должникот ќе се брише од
Трговскиот регистар што се води при Централниот регистар на РМ – Регионална
регистрациона канцеларија – Тетово. (34165) __________ гледување на грозје, со
трансакциски сметки број 200000036020069 во Стопанска банка АД Скопје, број на
постапка над стечајниот должник Друштво за трговија на големо и мало и услуги
АНИТОМ ДООЕЛ увоз-извоз Гостивар, со жиро-сметка бр. 530000101378659, која се
води во Охридска банка АД Скопје, со ЕДБ 4007011510476 и ЕМБС 6677754.
Стечајната постапка не се спроведува поради немање имот и се заклучува. Против
погоренаведеното Решение, дозволена е жалба преку Основниот суд во Гостивар до
Апелациониот суд во Гостивар, во рок од 8 дена од денот на објатано од денот на
објавувањето на Решението во „Службен весник на Република Македонија“, да ги
пријават (34166) __________ на подвижни предмети и права на должникот, како и
разлачните права на недвижностите на должникот што не се запишани во јавните
книги и разлачните права на недвижностите на должникот што се запишани во
јавните книги, своите разлачни права на подвижните предмети и на правата на
должникот што се запишани во регистрите во кои тие предмети, односно права се
запишани да ги пријават кај стечајниот управник во рок од 15 Седницата на
Собранието на доверители ќе се одржи во Основниот суд во Велес на ден 14.7.2017
година, во 10:30 часот, во судница бр. 7 на II кат, на Осна кои предмети постои
разлачно право, начинот и основот на засновање на тоа право, како и средствата
за ДНЕВЕН РЕД своите обврски што ги имаат спрема должникот да ги исполнат на
стечајниот управник. Се закажува рочиште за испитување и утврдување (34167)
__________ ца бр. 3 во Основниот суд во Штип. Се закажува Собрание на доверители
на кое врз основа на извештајот на стечајниот управник, ќе се одлучува за
натамошниот тек на стечајната постапка (Извештајно собрание) за 12.10.2017
година со почеток во 12:00 часот, во судница бр. 3 во Основниот суд во Штип.
Отворањето на стечајната постапка да се запише во Трговскиот регистар при
Централниот регистар на РМ, во јавните книги во кои се запишани правата врз
недвижностите и во други соодветни регистри. Ова Решение да се објави на
огласната табла на Основниот суд во Штип и во „Службен весник на РМ“.
希望您现在有了克服这一问题的工具。这与正则表达式无关；相反，这与PDF在OCR后的呈现方式有关。PDF中的文本不会收集到列中，因此第二列的文本将与第一列一起插入，并在它们之间填充空格。导入后，示例字符串如下所示：
на постапка над стечајниот должник Друштво за трго- АД Скопје и број 250000000176263 во Шпаркасе банка
вија на големо и мало и услуги АНИТОМ ДООЕЛ Македонија АД Скопје.
увоз-извоз Гостивар, со жиро-сметка бр. 530000101378- Стечајната постапка се отвора на ден 6.7.2017 годи-
659, која се води во Охридска банка АД Скопје, со ЕДБ на во 12:00 часот.
4007011510476 и ЕМБС 6677754. За стечаен управник се именува Пепи Страшо Па-
我解析它的方法是将pdf文本重新解析为一个固定宽度的文件。这将创建一个包含两列的数据帧，然后可以使用regex单独解析这些列。这与正则表达式无关；相反，这与PDF在OCR后的呈现方式有关。PDF中的文本不会收集到列中，因此第二列的文本将与第一列一起插入，并在它们之间填充空格。导入后，示例字符串如下所示：
на постапка над стечајниот должник Друштво за трго- АД Скопје и број 250000000176263 во Шпаркасе банка
вија на големо и мало и услуги АНИТОМ ДООЕЛ Македонија АД Скопје.
увоз-извоз Гостивар, со жиро-сметка бр. 530000101378- Стечајната постапка се отвора на ден 6.7.2017 годи-
659, која се води во Охридска банка АД Скопје, со ЕДБ на во 12:00 часот.
4007011510476 и ЕМБС 6677754. За стечаен управник се именува Пепи Страшо Па-
>gsub（“-”，”，test）[1]“530000101378659”>gsub（“-”，”，test）[1]“530000101378659”