我正在尝试从pdf中提取数据,这可以位于https://www.dol.gov/ui/data.pdf . 我感兴趣的数据在PDF的第4页,是初始索赔(NSA)的3个观察结果,保险失业(NSA)的3个观察结果,以及最近一周使用的覆盖就业(脚注2) .
我已经使用pdftools将PDF读入R,但生成的文本输出非常难看(由于PDF的性质,有点可以预期) . 有什么办法可以从这个文本输出中提取特定数据吗?我相信数据将始终在输出中的相同位置,这是有帮助的 .
我正在查看的输出可以通过以下脚本看到:
library(pdftools)
download.file("https://www.dol.gov/ui/data.pdf", "data.pdf", mode="wb")
uidata <- pdf_text("data.pdf")
uidata[4]
我搜索过类似问题的人并用scan()和grep()进行了调整,但似乎无法找到一种方法来从文本输出中分离和提取我需要的数据 . 如果有人偶然发现并且可以指出我正确的方向,请提前感谢 - 如果不是,我会试图解决这个问题!
1 回答
使用
grep
和一点regex,您可以将所需的一切都变为可用的结构:你仍然需要解析数字,但至少它是可用的 .