Per importare dati da un file pdf, usiamo il pacchetto tabulizer¹⁾, che usa la libreria open source tabula :

install.packages("tabulizer")
library(tabulizer)

Al momento, non è disponibile la versione per l'ultima versione di R. Per installare il pacchetto:

inst_tabulizer.R

if (!require("remotes")) {
  install.packages("remotes")
}
# on 64-bit Windows
remotes::install_github(c("ropensci/tabulizerjars", "ropensci/tabulizer"), 
                        INSTALL_opts = "--no-multiarch")
# elsewhere
remotes::install_github(c("ropensci/tabulizerjars", "ropensci/tabulizer"))

Vedi repository su GitHub

mydata <- extract_tables(file.choose()) 

Si aprirà la finestra di dialogo, che consentirà di scegliere il file PDF. Naturalmente, è possibile indicare semplicemente il nome del file:

mydata <- extract_tables("myfile.pdf") 

Possono essere estratte tabelle da più pagine. Il risultato sarà una lista di tabelle (formato carattere).

Per indicare la pagina del file in cui è presente la tabella, usare l'argomento pages:

mydata <- extract_tables(file.choose(), pages = 3) 

In questo caso, verrà estratta la tabella a pagina 3.

Se nella pagina sono incluse diverse tabelle o aree di testo e tabelle, possiamo usare la funzione extract_areas():

mydata <- extract_areas(file.choose()) 

Si aprirà una interfaccia html (Shiny) che permetterà di selezionare la tabella o area di testo da importare.

Infine, trasformeremo i dati importati nel tipo di oggetto adatto, ad esempio un dataframe:

mydf <- as.data.frame(mydata)