errore cercando di leggere un PDF utilizzando readPDF dal pacchetto tm

Question

(Windows 7/R versione 3.0.1)

Di seguito i comandi e l'errore risultante:

> library(tm) 
> pdf <- readPDF(PdftotextOptions = "-layout") 
> dat <- pdf(elem = list(uri = "17214.pdf"), language="de", id="id1") 

Error in file(con, "r") : cannot open the connection 
In addition: Warning message: 
In file(con, "r") : 
    cannot open file 'C:\Users\Raffael\AppData\Local\Temp 
    \RtmpS8Uql1\pdfinfo167c2bc159f8': No such file or directory 

Come posso risolvere questo problema ?

---

EDIT ho

(come suggerito da Ben e descritto here)

Ho scaricato Xpdf copiato la versione a 32 bit di C:\Program Files (x86)\xpdf32 e la versione a 64 bit di C:\Program Files\xpdf64

Le variabili d'ambiente pdfinfo e pdftotext riferiamo alle rispettive eseguibili sia 32bit (testato con R 32 bit) oa 64 bit (testato con R 64bit)

---

EDIT II

Un'osservazione molto confuso è che, partendo da una nuova sessione (tm non caricato) l'ultimo comando da solo produrrà l'errore:

> dat <- pdf(elem = list(uri = "17214.pdf"), language="de", id="id1") 

Error in file(con, "r") : cannot open the connection 
In addition: Warning message: 
In file(con, "r") : 
    cannot open file 'C:\Users\Raffael\AppData\Local\Temp\RtmpKi5GnL 
    \pdfinfode8283c422f': No such file or directory 

non capisco questo a tutti perché la variabile funzione non è definito da tm.readPDF ancora. Qui di seguito troverete la funzione PDF si riferisce a "naturalmente" e di ciò che viene restituito da tm.readPDF:

> pdf 

function (elem, language, id) 
{ 
    meta <- tm:::pdfinfo(elem$uri) 
    content <- system2("pdftotext", c(PdftotextOptions, shQuote(elem$uri), 
     "-"), stdout = TRUE) 
    PlainTextDocument(content, meta$Author, meta$CreationDate, 
     meta$Subject, meta$Title, id, meta$Creator, language) 
} 
<environment: 0x0674bd8c> 

> library(tm) 
> pdf <- readPDF(PdftotextOptions = "-layout") 
> pdf 

function (elem, language, id) 
{ 
    meta <- tm:::pdfinfo(elem$uri) 
    content <- system2("pdftotext", c(PdftotextOptions, shQuote(elem$uri), 
     "-"), stdout = TRUE) 
    PlainTextDocument(content, meta$Author, meta$CreationDate, 
     meta$Subject, meta$Title, id, meta$Creator, language) 
} 
<environment: 0x0c3d7364> 

A quanto pare non c'è differenza - allora perché l'uso readPDF a tutti?

---

EDIT III

il file PDF si trova qui: C:\Users\Raffael\Documents

> getwd() 
[1] "C:/Users/Raffael/Documents" 

---

EDIT IV

Prima istruzione di pdf() è una chiamata a tm:::pdfinfo() - e c'è l'errore è causato entro le prime righe:

> outfile <- tempfile("pdfinfo") 
> on.exit(unlink(outfile)) 
> status <- system2("pdfinfo", shQuote(normalizePath("C:/Users/Raffael/Documents/17214.pdf")), 
+     stdout = outfile) 
> tags <- c("Title", "Subject", "Keywords", "Author", "Creator", 
+   "Producer", "CreationDate", "ModDate", "Tagged", "Form", 
+   "Pages", "Encrypted", "Page size", "File size", "Optimized", 
+   "PDF version") 
> re <- sprintf("^(%s)", paste(sprintf("%-16s", sprintf("%s:", 
+              tags)), collapse = "|")) 
> lines <- readLines(outfile, warn = FALSE) 
Error in file(con, "r") : cannot open the connection 
In addition: Warning message: 
In file(con, "r") : 
    cannot open file 'C:\Users\Raffael\AppData\Local\Temp\RtmpquRYX6\pdfinfo8d419174450': No such file or direc 

Apparentemente tempfile() semplicemente non crea un file.

> outfile <- tempfile("pdfinfo") 
> outfile 
[1] "C:\\Users\\Raffael\\AppData\\Local\\Temp\\RtmpquRYX6\\pdfinfo8d437bd65d9" 

La cartella C:\Users\Raffael\AppData\Local\Temp\RtmpquRYX6 esiste e detiene alcuni file ma nessuno prende il nome pdfinfo8d437bd65d9.

Answer 1

Intersting, sulla mia macchina dopo un nuovo inizio pdf è una funzione per convertire un'immagine in un PDF:

getAnywhere(pdf) 
A single object matching ‘pdf’ was found 
It was found in the following places 
    package:grDevices 
    namespace:grDevices [etc.] 

Ma torniamo al problema della lettura nei file PDF come testo, giocherellare con il PATH è un po 'approssimativo (e fastidioso se lavori su più computer diversi), quindi penso che il metodo più semplice e sicuro sia chiamare pdf2text usando system come Tony Breyal describes here.

Nel tuo caso sarebbe (notare i due insiemi di virgolette):

system(paste('"C:/Program Files/xpdf64/pdftotext.exe"', 
      '"C:/Users/Raffael/Documents/17214.pdf"'), wait=FALSE) 

Questo potrebbe essere facilmente esteso con una funzione *apply o ciclo se si dispone di molti file PDF.