[Work Automation] 用R抽取PDF扫描件中的日期

Mengkelyu

前一阵子遇到一个难题，需要用找到所有理赔文件中的理赔日期。一个个手动找太麻烦了，所以在考虑能否用R来找到办法。

这个工作有几个难点：

扫描件需要用OCR识别文字（这里的文字是汉字和英文参杂的）
OCR这里用了tesseract这个包。
需要用通用表达式找到识别结果中的日期
找到日期用了stringr这个包。

#定义包含所有pdf的路径为path
path = "your path"

library(tesseract)
library(anytime)
library(stringr)

lookfordatePDF = function(path){
  # 只抽取PDF的第一页
  orig <- pdftools::pdf_text(path_pdf)[1]
  
  # 把PDF文件变成png图片
  img_file <- pdftools::pdf_convert(path, format = 'tiff', pages = 1, dpi = 400)
  
  # 从png图片中抽取文字
  text <- ocr(img_file)
  unlink(img_file)
  # 从文字中抽取符合“四个数字/两个数字/两个数字”这个Pattern的字符, 这里的通用表达式应该理解为\\\d是数字d是digital的意思,\\\d{4}就是4个数字。
  return (str_extract_all(text, "\\\d{4}/\\\d{2}/\\\d{2}+"))
}

patStr = function(a){
  return(paste0(path,a))
}
# 把Path下的所有pdf的路径名转成一个DataFrame
result = data.frame(fileName = unlist(lapply(list.files(path), patStr)))
# 找到日期
result\$date = lapply(result\$fileName, lookfordatePDF)
# 由于result\$date的数据格式是List，不能直接转成csv文件，需要做如下处理，变成Character，再输出成csv
convertListString = function(li){
  return(unlist(sapply(li, paste, collapse = " ")))
}
result\$final = lapply(result\$date,convertListString)
df = result[c('fileName','final')]
df <- apply(df,2,as.character)
write.csv(df,"data.csv")