convertir le lot de pdf en texte en utilisant pdftools

Question

Je suis en train de convertir 1000 pdfs en texte pour l'analyse de données. J'utilise le paquet pdftools.

Je suis en mesure de convertir 2 pdf en utilisant le code suivant:

library(pdftools) 
file_list <- list.files('pdf', full.names = TRUE, pattern = 'pdf') 

for(i in 1:length(file_list)){ 
    temp <- pdf_text(file_list[i]) 
    temp <- tolower(temp) 

    file_name = paste(file_list[i], '.txt') 
    sink(file_name) 
    cat(temp) 
    sink() 

} 

mais quand j'ajoute plus de 2 je reçois l'erreur suivante:

" Error in poppler_pdf_text(loadfile(pdf), opw, upw) : PDF parsing failure." 

aussi, je voudrais la fichier texte final soit seulement « file_name.txt » en ce moment je suis en train de « file_name.pdf txt »

grâce,

Answer 1

library(pdftools) 
library(purrr) 

setwd("/tmp/test") 

file_list <- list.files(".", full.names = TRUE, pattern = '.pdf$') 

s_pdf_text <- safely(pdf_text) # helps catch errors 

walk(file_list, ~{          # iterate over the files 

    res <- s_pdf_text(.x)        # try to read it in 
    if (!is.null(res$result)) {       # if successful 

    message(sprintf("Processing [%s]", .x)) 

    txt_file <- sprintf("%stxt", sub("pdf$", "", .x)) # make a new filename 

    unlist(res$result) %>%        # cld be > 1 pg (which makes a list) 
     tolower() %>%          
     paste0(collapse="\n") %>%      # make one big text block with line breaks 
     cat(file=txt_file)        # write it out 

    } else {            # if not successful 
    message(sprintf("Failure converting [%s]", .x)) # show a message 
    } 

})