Bezdepbonusu7Программирование: статьи и ответы
Меню

Вопрос

Построить матрицу документа термина из файла PDF

Автор вопроса: Hilfit19Ответов: 1

Я пытаюсь построить term document matrix из одного текста в формате PDF. Когда я осматриваю term document matrix, я понимаю это.

<<TermDocumentMatrix (terms: 7245, documents:342)>>

Номер документа должен быть 1, а не 342, а 342 - это количество страниц в pdf-файлах. Я пытался использовать этот код с помощью R.

pdf_file <- file.path(("Lat/web"), "textpdf.pdf")
text <- pdf_text(pdf_file)
myCorpus <- Corpus(VectorSource(text))

mytdm <- TermDocumentMatrix(myCorpus, control = list
                         (removeNumbers = TRUE,
                         removePunctuation = TRUE,
                         stopwords=stopwords_en,
                         stemming=TRUE)
)
inspect(mytdm)

rpdfinformation-retrievaltmterm-document-matrix

Ответы

Ответ 1 · phiver

Используйте следующий код, чтобы свернуть страницы PDF в 1 документ.

pdf_file <- file.path(("Lat/web"), "textpdf.pdf")
text <- pdf_text(pdf_file)
# collapse pdf pages into 1
text <- paste(unlist(text), collapse ="")
.....
rest of code

Перевод вопроса и ответов сообщества Stack Overflow, лицензия CC BY-SA. Оригинал на Stack Overflow.

Похожие материалы