韓国語で書かれたpdfファイルから表のテキストを抽出しようとしています。tabulizer という名前のライブラリを使用してテキストを抽出しました。
だから私のコードは
library(pdftools)
library(tidytext)
library(dplyr)
library(janeaustenr)
library(rJava)
library(tabulizer)
library(tidyverse)
setwd("C:/Users/user/Desktop/Test") #This is my directory which contain pdf files.
files <- list.files(pattern = "pdf$")
f2 <- files[6]
e <- extract_text(f2,pages = 25,encoding = 'UTF-8')
しかし、問題は、pdfファイルのテーブルで、パターンが私にとって望ましくないことです。データを縦方向に抽出したいのですが、extract_text 関数は文字列を横方向に作成します
これは、extract_text で発生した結果です。
나. 집합투자기구에 부과되는 보수 및 비용 \r\n구분 \r\n지급비율(연간, %) \r\n지급시기 \r\nC(수수료미징\r\n구-오프라인) \r\nW(수수료미징\r\n구-오프라인-\r\n랩) \r\ne(수수료미징구\r\n-온라인) \r\nI(수수료미징구-\r\n오프라인-기관) \r\nC-P(수수료미\r\n징구-오프라인-\r\n개인연금) \r\nC-P2(수수료미\r\n징구-오프라인-\r\n퇴직연금) \r\n집합투자업자 보수 0.46 0.46 0.46 0.46 0.46 0.46 \r\n매 3개월 \r\n판매회사 보수 1.00 0.00 0.98 0.03 0.95 0.85 \r\n수탁회사 보수 0.025 0.025 0.025 0.025 0.025 0.025 \r\n일반사무관리회사 보\r\n수 \r\n0.005 0.005 0.005 0.005 0.005 0.005 \r\n총 보수 1.49 0.49 1.47 0.52 1.44 1.34 - \r\n기타비용 0.002 0.002 0.002 0.002 0.002 0.002 사유 발생 시 \r\n총 보수․비용 1.492 0.492 1.472 0.522 1.442 1.342 - \r\n(동종유형 총 보수) 1.59 - 1.22 - - - - \r\n총 보수․비용 \r\n(피투자 집합투자기구 보수 포함) 1.493 0.493 1.473 0.523 1.443 1.343 - \r\n증권거래비용 0.107 0.108 0.105 0.108 0.106 0.104 사유 발생 시 \r\n구분 지급비율(연간, %) 지급시기 \r\n"
より具体的には、キャプチャ画像を添付しました。
繰り返しますが、抽出したいのは縦 (赤丸) ですが、extract_text は横 (青丸) に整理します。
また、コメントを残してくださいのようにテキストを整理する方法を知っている場合は{cat(e, sep="\n")}、cat 関数を使用すると変数に結果を含めることができないため、自動的に出力が得られ、これらの値を含める選択肢がありません..しかし、物事を明確に整理したいそして「情報が必要なときはいつでもコンテナ変数に移動し、情報を取得します..」<<それが必要です