我正在對 R 中的幾個 PDF（>1000）進行結構方程模型。
但是，有些 PDF 是可讀的，而另一些是掃描的，即我需要通過 OCR 功能運行它們。
因此，我需要找到一種方法來自動識別哪些 PDF 包含文本，哪些不包含。具體來說，我希望找到一種方法來回傳給定的 PDF 是否應該通過 OCR 運行。
有誰知道 R 中的任何函式或包可能有助于做到這一點 - 我可以找到一些 Python 解決方案，但無法在 R 中識別一些。
uj5u.com熱心網友回復：
你可以使用這樣的方法（正如@danlooo 已經建議但我想把它拼出來）：
files <- list.files("/home/johannes/pdfs/",
pattern = ".pdf$",
full.names = TRUE)
pdfs_l <- lapply(files, function(f) {
out <- pdftools::pdf_text(f)
# I set the test to an arbitrary number of characters, it works for me but you want
# to maybe fine tune it a bit
contains_text <- nchar(out) > 15
if (!contains_text) {
out <- pdftools::pdf_ocr_text(f)
}
data.frame(text = out, ocr = !contains_text)
})
pdfs_l |>
dplyr::bind_rows() |>
dplyr::mutate(text = trimws(text)) |>
tibble::as_tibble()
#> # A tibble: 22 × 2
#> text ocr
#> <chr> <lgl>
#> 1 "TEAM MEMBERS:\n … FALSE
#> 2 "WS 21/22 … FALSE
#> 3 "WS 21/22 … FALSE
#> 4 "TEAM MEMBERS:\n … FALSE
#> 5 "TEAM MEMBERS:\n … FALSE
#> 6 "Key Concepts in Political Communication\n @Agenda Setting, Priming… FALSE
#> 7 "Key Concepts in Political Communication\n @Agenda Setting, Priming… FALSE
#> 8 "ELECTIONS AND CAMPAIGNS\n … FALSE
#> 9 "" TRUE
#> 10 "" TRUE
#> # … with 12 more rows
由reprex 包于 2022-02-10 創建(v2.0.1)
轉載請註明出處，本文鏈接：https://www.uj5u.com/yidong/428372.html