我正在尝试通过将 pdf 作为 HTML/XML 文件读入 R 来解析它。我知道我可以使用 pdftools
包阅读它。但是,如果我将链接当作 HTML/XML 文件来阅读,我将无法访问其中的数据。
library(xml2)
library(XML)
html_string="https://mchb.hrsa.gov/whusa11/hstat/hsrmh/downloads/pdf/233ml.pdf"
ht <-read_html(html_string)
nodes<-xml_find_all(ht, ".//body")
> ht
{xml_document}
<html>
[1] <body><p>%PDF-1.6\r%\xe2ãÏÓ\r\n83 0 obj\r<>stream\r\nhÞ\u009cTË\u008eÓ@äSú'»çÑ3\u0096V+EA\\"V«$·\u ...
[2] <html><p>\u009d@a ö¯\u0088Î÷Ü\\&ÔÈýÐâÿZO^"j[FoQ)ÒÇq\n\u009b\u008dx\u0085\u008eß±µ\u009bõo\t\u008f6¢ ...
> ht[1]
$node
<pointer: 0x00000000047901a0>
我也尝试了以下功能
xmlTreeParse
xmlToList
xmlParse
如何访问里面的xml文档内容字符串?我正在努力使它们成为我可以操纵的对象。
最佳答案
使用 pdfx
的可能解决方案
# download file to your home dir
download.file("https://mchb.hrsa.gov/whusa11/hstat/hsrmh/downloads/pdf/233ml.pdf","233ml.pdf")
# get packages
library(remotes)
remotes::install_github("sckott/extractr")
library(extractr)
#parse
pdfx(file="233ml.pdf", what="parsed")
关于html - 将 HTML/XML PDF 文件格式读入 R,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56083496/