如何使用R提取并读取PDF中的XML附件？pdftools暂不支持

可行，你可以借助qpdf这个命令行工具配合R来实现，步骤如下：

• 第一步：安装qpdf工具
  不同系统安装方式不同：

  • Windows：用Chocolatey包管理器执行choco install qpdf，也可从qpdf官方渠道下载安装包手动安装
  • macOS：用Homebrew执行brew install qpdf
  • Linux：用系统包管理器，比如Debian/Ubuntu系执行sudo apt install qpdf

• 第二步：在R中调用qpdf提取附件
  可以用system()函数直接执行qpdf命令，批量处理多个PDF也很方便，示例代码如下：

  # 单个PDF文件处理
  pdf_path <- "path/to/your/target.pdf"
  output_dir <- "path/to/save/attachments"
  dir.create(output_dir, recursive = TRUE, showWarnings = FALSE)
  
  # 可选：先查看PDF内的附件列表
  system(sprintf("qpdf --show-attachments %s", pdf_path))
  # 提取所有附件到指定目录
  system(sprintf("qpdf --extract-attachments %s %s", pdf_path, output_dir))
  
  # 批量处理文件夹下所有PDF
  pdf_files <- list.files("path/to/pdf/folder", pattern = "\\.pdf$", full.names = TRUE)
  for (pdf in pdf_files) {
    # 为每个PDF创建单独的子目录存放附件
    file_subdir <- file.path(output_dir, tools::file_path_sans_ext(basename(pdf)))
    dir.create(file_subdir, recursive = TRUE, showWarnings = FALSE)
    system(sprintf("qpdf --extract-attachments %s %s", pdf, file_subdir))
  }
  

• 第三步：读取提取后的XML文件
  提取完成后，用R的xml2包读取并处理XML内容：

  library(xml2)
  # 遍历所有提取出的XML文件
  xml_files <- list.files(output_dir, pattern = "\\.xml$", full.names = TRUE, recursive = TRUE)
  for (xml_path in xml_files) {
    xml_doc <- read_xml(xml_path)
    # 这里添加你的XML解析逻辑，比如提取节点、导出数据等
    print(xml_doc)
  }
  

说明：qpdf是专门处理PDF的轻量工具，支持提取内嵌附件，R通过调用它可弥补pdftools在附件提取上的功能缺口，批量处理效率也能满足需求。

内容的提问来源于stack exchange，提问作者Karsten W.