r语言 - 从PDF - Rstudio中提取文本

Question

使用pdftools库，我只能提取3页的pdf文件，其中有30页。有什么问题吗?如何从所有页面中提取文本?前3页包含正常文本，许多其他页面包含表格栏

Answer 1

您可以通过将pdf转换为图像格式，然后进行OCR部分来做到这一点。更多信息

使用pdftools包中的pdf_convert函数

pngText <- pdftools::pdf_convert('https://jeroen.github.io/images/ocrscan.pdf', dpi = 600)

,

text <- tesseract::ocr(pngText)
cat(text)

让我知道这是否有效。