R 如何从PDF中干净地提取多页表?
我一直在尝试使用R 如何从PDF中干净地提取多页表?,r,tabulizer,R,Tabulizer,我一直在尝试使用tabulizer来避免硬编码解析,这种解析可能会随着下一个报告而改变。我想知道你们是否有更好的想法 library(tabulizer) library(tidyverse) who <- "https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200309-sitrep-49-covid-19.pdf" page1 <- tabulizer::extract_table
tabulizer
来避免硬编码解析,这种解析可能会随着下一个报告而改变。我想知道你们是否有更好的想法
library(tabulizer)
library(tidyverse)
who <- "https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200309-sitrep-49-covid-19.pdf"
page1 <- tabulizer::extract_tables(who, pages = 4, output = "data.frame") %>%
as.data.frame() %>%
slice(5:n()) %>%
select(-`X.1`)
page2 <- tabulizer::extract_tables(who, pages = 5, output = "data.frame") %>%
as.data.frame() %>%
rbind(colnames(.))
page3 <- tabulizer::extract_tables(who, pages = 6, output = "data.frame") %>%
as.data.frame() %>%
rbind(colnames(.))
colnames(page2) <- colnames(page1)
colnames(page3) <- colnames(page1)
dat <- page1 %>% rbind(page2) %>% rbind(page3)
库(tabulizer)
图书馆(tidyverse)
谁%
切片(5:n())%>%
选择(`X.1`)
第2页%
as.data.frame()%>%
rbind(colnames(.))
第3页%
as.data.frame()%>%
rbind(colnames(.))
根据我的经验,我必须分别解析每个页面,然后rbind
结果。它需要删除重复的列标题(和其他页面杂项)。我不知道有什么可靠的方法可以“知道”页面I
上的一个表在呈现的PDF中被页面I+1
上的一个非常相似的表完美地延续(然后,我又从tabulizer::
转移到pdftools::PDF\u text
,因为某种原因,我现在想不起来了。)决定用Abode Pro解析它更容易。