tidytext从文件夹中读取文件

Question

我正在尝试将一个pdf文件的文件夹读入R中的数据框。我能够使用pdftools库和pdf_text(filepath)来读取单个pdf文件。

理想情况下，我可以抓住一系列pdf的作者和标题，然后将其推入一个具有这些列的数据框，以便我可以在文本上使用基本的tidytext函数。

对于单个文件，现在，我可以只使用：

library(pdftools) 
library(tidytext) 
library(dplyr) 
txt <- pdf_text("filpath") 
txt <- data_frame(txt) 
txt %>% 
    unnest_tokens(word, txt) 

在这里我有一个字的数据帧。我想找到一个数据框，在那里我解开了文章，包括标题和作者专栏。

Answer 1

要找到一个工作目录中的所有PDF文件，可以使用list.files与参数：然后

all_pdfs <- list.files(pattern = ".pdf$") 

的all_pdfs对象将包含所有的文件名字符向量。

然后，您可以设置一个管道来读取所有的PDF文件，并使用带有来自purrr的map函数的tidytext读取它们。如果需要，可以使用map()中的mutate()来为每行注释文件名。

library(pdftools) 
library(tidyverse) 
library(tidytext) 

map_df(all_pdfs, ~ data_frame(txt = pdf_text(.x)) %>% 
    mutate(filename = .x) %>% 
    unnest_tokens(word, txt)) 

你需要做一些票友工作获得标题和作者列，这取决于你有信息。也许在txt或filename之前使用正则表达式？