R语言提取PDF文件中的文本内容

1. 安装R包： install.packages("pdftools")。
2. 当然如果在Windows以外的环境安装需要部署 poppler 环境。命令： Debian/ubuntu下： sudo apt-get installlibpoppler-cpp-dev CentOS: sudo yum installpoppler-cpp-devel Mac OS-X: brew install poppler
3. 开始使用： library(pdftools)。
4. 读取文本的命令： txt=pdf_txt(“文件路径”)。
5. 获取每页的内容，命令：txt[n] 获取第n页的内容。
6. 获取pdf文件目录： doc=pdf_toc(“文件路径”)。
7. 当然doc变量中的目录还不是标准化的格式，那么我们需要一个通用json格式，需要安装R包jsoblite。文本转换命令：json=toJSON(toc, auto_unbox = TRUE, pretty = TRUE)。再利用函数fromJSON(json)，我们就会把目录转化成为向量。也就拿到了文档的整个目录。

综上步骤，我们便可以随便获取任意章节的任意内容。那么接下来就是对这些文字的应用，各位集思广益吧。