我正在尝试用PDF格式抓取医生姓名列表。该文件似乎是混合编码的。
当我复制/粘贴一个医生的名字时(第51页),我得到的是:
Suklesh Dandona
如果我只把jibberish部分粘贴到一个文本文件中,然后尝试enca,我会得到:
enca -L none CHC_test.txt
Universal transformation format 8 bits; UTF-8
不是这样。
这里的问题是,如果我只是在PDF查看器中查看文件,我就可以看到地址。它是(打字):1601 Main St Suite 306
那么我该如何转换这个文件中的地址呢?enca
似乎不接受已知的文本字符串。我想我可以通过iconv
以编程方式运行每一个支持的编码,看看结果是否等于我在下面键入的结果。由于R有一个iconv
接口,我可能会这么做,但也许有人有更好的解决方案?
我知道关于编码的常见注意事项:无法确定,unicode不是一种编码,等等。我读过Joel,我保证。:-D
这不是编码问题,您正在处理一个模糊的PDF,这可能是一种故意让人们为这些信息的数据库付费的措施。这是将我们的文档作为图灵完全语言的程序在Interweb上传输的功能之一。
你最好的选择是将其渲染为图像,然后使用OCR进行解析,这在我的测试中效果很好(使用ImageMagick转换为300dpi PNG,并在Linux上使用楔形文字进行解析):
themel@kallisti: ~/so $ grep Street cuneiform-out.txt
Adoue Street
7930 Broadway Street Suite
6516 Broadway Street Suite
6516 Broadway Street Suite
218 East House Street
303 North Mckinney Street
826 South Meyer Street