PDF 抓取：获取公司和子公司表

编程问答 2022-05-02

问题描述

我正在尝试抓取此 PDF，其中包含有关公司子公司的信息。我看过很多使用 R 包 Tabulizer 的帖子，但不幸的是，由于某些原因，这在我的 Mac 上不起作用。由于 Tabulizer 使用 Java 依赖项，我尝试安装不同版本的 Java (6-13)，然后重新安装软件包，但仍然无法正常工作（当我运行 extract_tables 时，R 会话中止）。

我需要从第 19 页开始抓取整个 pdf 并构建一个显示公司名称及其子公司的表格。在 pdf 中，名称以任何字母/数字/符号开头，而子公司以单点或双点开头。

所以我尝试使用 pdftools 和 pdftables 包。下面的代码提供了一个类似于第 19 页上的表格：

library(pdftools)
library(pdftables)
library(tidyverse)

tt = pdf_text("~/DATA/978-1-912036-41-7-Who Owns Whom UK-Ireland-Volume-1.pdf")

df <- tt[19]
df2 <- strsplit(df,'  ')
 
df3 <-as.data.frame(do.call(cbind,df2)) %>% 
 filter(V1!="") %>% 
 mutate(V2=str_split_fixed(V1,"England . ",2)) %>% 
 mutate(V3=str_split_fixed(V1,"England",2)) %>% 
 select(V2,V3,V1) %>% 
 mutate(V1=ifelse(V1==V3,"",V1),V3=ifelse(V3==V2,V3)) %>% 
 select(V3,V2,V1) %>% 
 mutate_at(c("V1"),funs(lead),n = 1 ) %>% 
 mutate_at(c("V3"),funs(lag),n = 1 ) %>% 
 unite(V4,V1,sep = "",remove = FALSE)

我相信有一个更复杂的功能可以更巧妙地完成这项工作。例如，将 '\n' 或 '\r' 与 strsplit 一起使用：

 df2 <- strsplit(df,'\n') 
 df3 <- do.call(cbind.data.frame,df2)

任何比我更有经验的人都可以建议我如何刮这张桌子吗？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

pdfpdfpdfpdf-scrapingrr