r 语言读取excel文件,r语言如何读取excel( 三 )_语言

03 pdftools：PDF文件
学术期刊、网络杂志和电子书籍一般都会以PDF格式的文件呈现。一般的计量型数据分析很少会遇到读取PDF文件的情况，不过在进行文本挖掘（Text Mining）和主题模型（Topic Modelling）预测中，pdftools包绝对是必备R包之一。
该包只有两个母函数，一个用来从PDF中提取数据（此处的数据包括数字型和文字型数据），另一个则用来将文件渲染成PDF格式。本节我们只讨论第一个母函数——pdf_info 。
pdf_info函数下面一共包含6个子函数，功能各不相同。但是6个子函数的参数完全一致，分别是pdf、opw和upw 。
数据导入函数'pdf_info子函数一览：

pdf_info：读取PDF文件的基本信息，例如，何时创建、更改，版本信息，是否有密码，页数等，详见代码演示部分
pdf_text：提取文件中的所有文字或非文字信息，包括分页符、换行符
pdf_data：提取数字型数据，这个提取的结果会因PDF文件而异，有时可以直接将期刊中的数据完整地提取出来，有时又会因为PDF文档在创建时使用了不一致的分隔符而导致数据提取不完整
pdf_fonts：提取文档的字体信息
pdf_attachments：提取文档附件
pdf_toc：提取文档目录

数据导入函数'pdf_info参数详解：

pdf：PDF文件路径，可以是网络链接
opw：PDF文件所有者的密码
upw：PDF文件用户的密码

由于篇幅有限，下面的代码只截取了部分结果进行解释。这里所用的PDF文档是pdftools包的帮助文档，读者可以自行到R官网上搜索下载。帮助文档是开放PDF文件，无须提供密码。读取文档代码如下：
> library(pdftools) > pdf_info(pdf = "./helpDocs/pdftools.pdf") ## $version## [1] "1.5"## ## $pages## [1] 5...当使用pdf_text提取文档内容时，全部内容都被提取为一个字符串向量，每页的内容都被单独放置于一个字符串中。帮助文档的PDF格式一共包含5页，所以这里会得到一个长度为5的字符串向量。
有两种方式可用于查看提取的文本：可以直接将结果显示在console中（通过执行print(text)或直接运行text），也可以通过“[ ]”来指定显示某一页的内容。空白的位置都会以空格的字符格式显示， “\r\n”代表换行符号。提取文档内容的代码如下：
> text<- pdf_text("./helpDocs/pdftools.pdf") > length(text) ## [1] 5 > class(text) ## [1] "character" > text[1] ## [1] " Package ‘pdftools’\r\n May 27, 2018\r\nType Package\r\nTitle Text Extraction, Rendering and Converting of PDF Documents\r\nVersion 1.8\r\nDescription Utilities based on 'libpoppler' for extracting text, fonts, attachments and\r\n 该文档无附件，所以会显示一个空列表：
> pdf_attachments(pdf = "./helpDocs/pdftools.pdf")## list()文档中一共包含了6种字体，pdf_fonts会给出字体的名称、类型、是否嵌入文档中这三类信息，具体如下：
> pdf_fonts(pdf = "./helpDocs/pdftools.pdf") ## name type embedded file## 1 DSHWTW+NimbusRomNo9L-Medi type1 TRUE ## 2 UTHPMJ+NimbusRomNo9L-Regu type1 TRUE ## 3 DSQFGA+Inconsolata-zi4r type1 TRUE ## 4 LVIJIF+NimbusSanL-Regu type1 TRUE ## 5 DQRZJT+NimbusRomNo9L-Regu-Slant_167 type1 TRUE ## 6 YIECHJ+NimbusRomNo9L-ReguItal type1 TRUE目录读取的子函数会将所读取的内容返回到一个列表中，如果直接将该列表显示在console中很可能会让人感觉不知所云，读者可以自行实践。最好的办法是将读取的内容使用jsonlite包转换成json列表的格式进行显示，以帮助理解文档的架构。jsonlite包转换成json列表的示例代码如下：
> jsonlite::toJSON(x = pdf_toc(pdf = "./helpDocs/pdftools.pdf"), pretty = TRUE) ## {## "title": "",## "children": [## {## "title": "pdf_info",## "children": []## },## {## "title": "pdf_render_page",## "children": []## },## {## "title": "Index",## "children": []## }## ]## }04 jsonlite：JSON文件
Javascript Object Notation（JSON）通常是作为不同语言之间互相交流信息的文件，JSON文件不但节省存储空间，其简洁明了的形式也很容易理解。
jsonlite包既能够完整地将JSON格式的文件完整地解析和读取到R语言中来，也可以将任何常见的R对象（object）输出成JSON格式。本文03节中， toJSON函数可用来将PDF文档目录转换成JSON格式，以便于理解各层级之间的关系。
读取JSON文件的fromJSON函数共包含6个参数，通常情况下，除了指定文件路径之外，其他参数使用默认设置即可。
数据导入函数fromJSON参数详解：