R：导入pdf并创建TermDocumentMatrix，文件名为id

Question

我正在将pdf导入R以进行一些文本分析。我有一些pdf文件，其名称是他们的出版年份（每年一次出版）。

我想在导入它们之后创建一个TermDocumentMatrix，其中第一个术语“docs”（即tdm的第一列）采用发布的年份而不是文档的编号。实际上，当我创建它时，tdm会为它们分配数字（1,2,3等......）。

关于如何做的任何想法？我的代码如下。

谢谢！

#creates the list of pdf files to be picked up (from the working directory)
files <- list.files(pattern = "pdf$")

#read the pdf files from the list (number of pages in brackets in front)
new_files <- sapply(files, pdf_text)

#create corpus
new_corp <- Corpus(VectorSource(new_files))

IMF_tdm <- TermDocumentMatrix(new_corp, control = list(removePunctuation = TRUE,
                                                         stopwords = TRUE,
                                                         tolower = TRUE,
                                                         stemming = TRUE,
                                                         removeNumbers = TRUE,
                                                         bounds = list(global =c(2, Inf)))) 

Answer 1

试试readtext https://cran.r-project.org/web/packages/readtext/vignettes/readtext_vignette.html，我过去用它来阅读纯文本和CSV文件，它还可以转换和导入PDF。它将输出一个数据框，文档文件名在一列中，整个文档的文本在第二列中作为单个字符串输出。

这是使用readtext库分发的一些数据文件的插图示例：

## Read in Universal Declaration of Human Rights pdf files

(rt_pdf <- readtext(paste0(DATA_DIR, "/pdf/UDHR/*.pdf"), 
                    docvarsfrom = "filenames", 
                    docvarnames = c("document", "language"),
                    sep = "_"))

## readtext object consisting of 11 documents and 2 docvars.
## # data.frame [11 × 4]
##   doc_id           text                          document language
##   <chr>            <chr>                         <chr>    <chr>   
## 1 UDHR_chinese.pdf "\"世界人权宣言\n联合国\"..." UDHR     chinese 
## 2 UDHR_czech.pdf   "\"VŠEOBECNÁ \"..."           UDHR     czech   
## 3 UDHR_danish.pdf  "\"Den 10. de\"..."           UDHR     danish  
## 4 UDHR_english.pdf "\"Universal \"..."           UDHR     english 
## 5 UDHR_french.pdf  "\"Déclaratio\"..."           UDHR     french  
## 6 UDHR_greek.pdf   "\"ΟΙΚΟΥΜΕΝΙΚ\"..."           UDHR     greek   
## # ... with 5 more rows