Verifique se há várias palavras na correspondência de cadeias para procurar texto em r
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