使用R语言抓取PDF中的文本数据

        最近一直在使用R语言做一些数据分析，简单记一下心得，今天的题目是使用R语言抓取PDF中的文本数据，在实际工作中经常文本数据常常不是标准化的TXT或者DOC，而是PDF格式的。

    而用R语言抓取PDF中的中文文本又是一件非常轻松的工作，只需要几步即可。

首先安装并加载包pdftools

install.packages("pdftools")
library(pdftools)

我下载了启迪桑德公司的最新研报

http://pdf.dfcfw.com/pdf/H3_AP201812281280605159_1.pdf

下载后放在D盘使用pdf_text方法读入文本

textpdf=pdf_text("D:启迪桑德/.pdf")

ok这就大功告成了。怎么样，就这么简单。

结合我昨天使用R做词去的代码，就能直接把词云画出来

library(jiebaRD)
library(jiebaR)
library(wordcloud2)
orgtext<- textpdf
seg <- qseg[orgtext]#分词
seg <- seg[nchar(seg)>1] #去除字符长度小于2的词

seg <- sort(seg, decreasing = TRUE)[1:200]#取前200词做词云即可

seg <- table(seg)#转换类型

wordcloud2(seg, size = 1, shape = 'circle',color = 'random-light',fontFamily = "微软雅黑")#渲染词云

效果如下