Rstudio中使用pdftools提取PDF文本仅能获取前3页的问题咨询

• pdftools默认的文本提取逻辑适配流式普通文本排版，表格页的文本按单元格拆分、坐标分散，不符合默认的流式布局判定规则，会被判定为非可读内容直接跳过
• 部分表格页的文本使用自定义嵌入字体子集、或被标记为表单/图像附属内容，pdftools默认未启用非标准文本元素的扫描逻辑，因此返回空内容
• 旧版本pdftools存在未指定pages参数时默认仅提取前3-5页的兼容问题，可先排查版本是否为最新版

调整原生提取参数 #

强制指定全页面范围，开启非标准文本扫描规则，示例代码如下：

library(pdftools)
# 传入全页面范围，开启布局解析、不可见文本提取权限
full_pdf_text <- pdf_text(
  "target.pdf", 
  pages = 1:30, 
  control = list(
    text_encoding = "UTF-8",
    extract_invisible_text = TRUE,
    ignore_layout = FALSE
  )
)

执行后先检查返回列表的长度，如果长度为30但后27项为空，再使用下方OCR提取方案。

OCR识别扫描类/特殊排版页面 #

如果表格内容被转为图像路径、或文本加密无法直接提取，配合tesseract做OCR全页面识别：

library(pdftools)
library(tesseract)
# 按300dpi渲染所有页面为图像
page_imgs <- pdf_render_page("target.pdf", pages = 1:30, dpi = 300)
# 逐页OCR提取文本，可按需调整识别语言包
full_pdf_text <- lapply(page_imgs, function(img) {
  ocr(img, engine = tesseract(c("eng", "chi_sim")))
})

表格专项提取 #

如果需要保留表格的结构化格式，搭配tabulizer库提取所有页面的表格内容，再和pdftools提取的普通文本结果做拼接即可。

内容的提问来源于stack exchange，提问作者Balasubrahmanyam Ira