Conversion pdf avec R
salut..
voila, j'ai un corpus de fichiers PDF et je dois les convertir automatiquement en format csv ou txt pour les traiter avec le logiciel de statistique R.
merci pour votre aide.
voila, j'ai un corpus de fichiers PDF et je dois les convertir automatiquement en format csv ou txt pour les traiter avec le logiciel de statistique R.
merci pour votre aide.
1 réponse
-
ContributeurSalut sony617,
Je ne pratique pas R, mais ta question semble être comment convertir une collection de fichiers PDF en format texte brut.
Une simple recherche https://www.google.fr/search?q=pdf2txt te donne de nombreuses suggestions d'outils, avec ou sans GUI, gratuits ou payants.
Si tu es sous linux, il y a des chances que ta distribution te donne accès à des paquets où tu vas trouver des outils open source de ce type.
Par exemple, sous Debian : https://packages.debian.org/stretch/armel/poppler-utils contient pdftotext pour l'extraction de texte en ligne de commande.
En général ces outils supposent que les données à extraire soient sous forme de texte dans le PDF et non sous forme d'image. Si tes PDF contiennent des images, tu devras utiliser des outils d'OCR.
Dal-
-
j'ai trouvé par hasard un code en R; je vais l'essayer pour voir ce que ça donne.
https://gist.github.com/benmarwick/11333467#file-pdf-2-text-or-csv-r -
Contributeurce script en R se contente de faire des appels au shell en appelant des programmes externes (qui ne sont pas en R) et qui doivent être installés sur la machine, dont un pdf2txt dont je parlais et tesseract pour les fonctions d'OCR que j'avais évoquées.
si cela te convient parce que l'appel à ces outils est fait à partir de R, tant mieux pour toi :-) mais ces outils externes peuvent simplement générer des fichiers texte pour toi en ligne de commande, et tu peux ensuite en faire ce que tu veux avec R.
bonne chance dans ton projet :-)
-
