r-pdftools:在字符串中嵌入NUL

Question

我正试图从以下链接下载一个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，当我试图阅读pdf上的信息时，我会出错。它似乎时断时续地发生，我看不出有什么好的理由。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.

我还试过什么：

• 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，它有效！：(

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，这根本不起作用。该文档中除了分页符字符外没有其他文本。都是图像。

如果rJava在您的系统上运行，并且您可以并且可以放心地安装来自不受信任来源(如GitHub(的包，那么您可以安装pdfbox_{(注意这里的安全警告，因为我还没有更新pdfboxJAR，但唯一的漏洞是潜在的进程拒绝服务(}来验证这一点，因为它比pdftools更脆弱。

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(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"

Boom：没有文本。

您需要使用一些rOpenSci图像到文本OCR工具来从文档中获得任何有意义的东西。