Atualmente, tenho um código que funciona para uma pesquisa por palavra. Podemos pesquisar várias palavras e escrever essas palavras correspondentes em um quadro de dados? (para esclarecimentos, consulte estepostar) isto éakrun's solução que funciona para uma palavra. Aqui está o código:

 library(pdftools)
 library(tesseract)

 All_files <- Sys.glob("*.pdf")
 v1     <- numeric(length(All_files))
 word   <- "school"
 df     <- data.frame()
 Status <- "Present"

for (i in seq_along(All_files)){
  file_name <- All_files[i]

  cnt <- pdf_info(All_files[i])$pages
  print(cnt)
  for(j in seq_len(cnt)){
      img_file <- pdftools::pdf_convert(All_files[i], format = 'tiff', pages = j, dpi = 400)
      text     <- ocr(img_file)
      ocr_text <- capture.output(cat(text))
      check    <- sapply(ocr_text, paste, collapse="")
      junk     <- dir(path= paste0(path, "/tiff"), pattern="tiff")
      file.remove(junk)
      br <-if(length(which(stri_detect_fixed(tolower(check),tolower(word)))) <= 0) "Not Present"  
              else "Present" 
      print(br)       
      if(br=="Present") {
         v1[i] <- j
         break}
    }

    Status <- if(v1[i] == 0) "Not Present" else "Present"
    pages  <- if(v1[i] == 0) "-" else 
      paste0(tools::file_path_sans_ext(basename(file_name)), "_", v1[i])
    words  <- if(v1[i] == 0) "-" else word
    df     <- rbind(df, cbind(file_name = basename(file_name),
                    Status, pages = pages, words = words))
}

Aqui, procuramos apenas uma palavra, ou sejaschool. Podemos procurar várias palavras comoschool, gym, swimming pool?

O / P esperado

fileName   Status        Page             Words                    TEXT
test.pdf   Present     test_1             gym            I go gym regularly  
test.pdf   Present     test_3             school     Here is the next school
test1.pdf  Present     test1_4            swimming pool  In swimming pool
test1.pdf  Present     test1_7            gym         next to Gold gym
test2.pdf  Not Present    -               -

nome do arquivo= Nome do arquivo

Status= Se alguma palavra for encontrada, então "Present" else "Not Present"

Página= Aqui "_1", "_3" define o número da página em que a palavra foi encontrada ;; na página "test_1" foi encontrada a palavra "academia" e na página "test_3" foi encontrada a palavra "escola".

Palavras= Que todas as palavras foram encontradas ;; como apenas "academia" e "escola" foram encontradas nas páginas 1 e 3 do arquivo test.pdf E apenas "piscina" e "academia" foram encontradas nas páginas 4 e 7 do arquivo test1.pdf.

TEXTO = É o texto em que a palavra foi encontrada

Qualquer sugestão sobre o mesmo será útil.

obrigado