1.6 pdftools——PDF文件

学术期刊、网络杂志和电子书籍一般都会以PDF格式的文件呈现。一般的计量型数据分析很少会遇到读取PDF文件的情况，不过在进行文本挖掘（Text Mining）和主题模型（Topic Modelling）预测中，pdftools包绝对是必备R包之一。该包只有两个母函数，一个用来从PDF中提取数据（此处的数据包括数字型和文字型数据），另一个则用来将文件渲染成PDF格式。本节我们只讨论第一个母函数——pdf_info。

pdf_info函数下面一共包含6个子函数，功能各不相同，详见表1-15。但是6个子函数的参数完全一致，分别是pdf、opw和upw，详见表1-16。

由于篇幅有限，下面的代码只截取了部分结果进行解释。这里所用的PDF文档是pdftools包的帮助文档，读者可以自行到R官网上搜索下载。帮助文档是开放PDF文件，无须提供密码。读取文档代码如下：

> library(pdftools)
> pdf_info(pdf = "./helpDocs/pdftools.pdf")
## $version
## [1] "1.5"
## 
## $pages
## [1] 5
...

当使用pdf_text提取文档内容时，全部内容都被提取为一个字符串向量，每页的内容都被单独放置于一个字符串中。帮助文档的PDF格式一共有包含5页，所以这里会得到一个长度为5的字符串向量。有两种方式可用于查看提取的文本：可以直接将结果显示在console中（通过执行print（text）或直接运行text），也可以通过“[]”来指定显示某一页的内容。空白的位置都会以空格的字符格式显示，“\r\n”代表换行符号。提取文档内容的代码如下：

> text<- pdf_text("./helpDocs/pdftools.pdf")
> length(text)
## [1] 5
> class(text)
## [1] "character"
> text[1]
## [1] " Package ‘pdftools’\r\nMay 27, 2018\r\nType Package\r\nTitle Text Extraction, Rendering and Converting of PDF Documents\r\nVersion 1.8\r\nDescription Utilities based on 'libpoppler' for extracting text, fonts, attachments and\r\n

该文档无附件，所以会显示一个空列表：

> pdf_attachments(pdf = "./helpDocs/pdftools.pdf")
## list()

文档中一共包含了6种字体，pdf_fonts会给出字体的名称、类型、是否嵌入文档中这三类信息，具体如下：

> pdf_fonts(pdf = "./helpDocs/pdftools.pdf")
##nametype embedded file
## 1 DSHWTW+NimbusRomNo9L-Medi type1 TRUE 
## 2 UTHPMJ+NimbusRomNo9L-Regu type1 TRUE 
## 3 DSQFGA+Inconsolata-zi4r type1 TRUE 
## 4LVIJIF+NimbusSanL-Regu type1 TRUE 
## 5 DQRZJT+NimbusRomNo9L-Regu-Slant_167 type1 TRUE 
## 6 YIECHJ+NimbusRomNo9L-ReguItal type1 TRUE

目录读取的子函数会将所读取的内容返回到一个列表中，如果直接将该列表显示在console中很可能会让人感觉不知所云，读者可以自行实践。最好的办法是将读取的内容使用jsonlite包转换成json列表的格式进行显示，以帮助理解文档的架构。jsonlite包的相关内容详见1.7节。jsonlite包转换成json列表的示例代码如下：

> jsonlite::toJSON(x = pdf_toc(pdf = "./helpDocs/pdftools.pdf"), pretty = TRUE)
## {
## "title": "",
## "children": [
## {
## "title": "pdf_info",
## "children": []
## },
## {
## "title": "pdf_render_page",
## "children": []
## },
## {
## "title": "Index",
## "children": []
## }
## ]
## }