Extracción de tablas de un PDF

A continuación se explicará en detalle el proceso que permite la extracción de una tabla de datos de un PDF, con el fin de obtener esa información en el programa R, para así poder realizar cálculos o diferentes procesos sobre él. En principio este proceso podria realizarse manualmente creando un dataframe y transcribiendo los datos, pero esto no sería para nada óptimo.

Afortunadamente, existe un paquete que nos facilita esta tarea, el mismo lleva por nombre Tabulizer. Dentro de las funciones que cuenta este paquete están,

• extract_metadata: esta función permite extraer la metadata del PDF, es decir, información sobre el autor, fecha de creación, fecha de modificación entre otras.
• extract_tables: esta función permite extraer tablas que se encuentran en el PDF.
• extract_text: esta función permite extraer texto de un PDF y llevarlo a un string ó cadena de caracteres.
• get_page_dims: esta función permite conocer las dimensiones de la página del PDF en cuestión.
• locate_areas: esta función me permite localizar un área específica dentro del PDF.
• make_thumbnails: esta función me permite generar imágenes en miniatura de cada hoja del PDF.
• split_pdf: esta función me permite unir o separar las páginas de uno o varios PDF.

Cabe destacar que en esta ocasión sólo se va a explicar el uso de la funcion “extract_tables”.

Uso de la función extract_tables

Esta función cuenta con los siguientes argumentos,

• file: caracter que indica el nombre y la ruta del PDF.
• pages: entero que especifica la ó las páginas a extraer (opcional).
• area: lista que debe contener las coordenadas de la tabla a extraer (opcional).
• columns: lista que contiene un vector numérico de coordenas (x) sobre las cuales irán las columnas (opcional).
• guess: valor lógico (TRUE ó FALSE), que indica si se quiere o no adivinar la ubicación de las tablas en el PDF. Por defecto es TRUE.
• method: caracter que indica el método a aplicar para extraer la tabla (“decide”, “lattice” ó “stream”). Por defecto se calcula usando el método “decide”.
• output: caracter (“character”,“data.frame”,“csv”,“tsv”,“json”,“asis”) que indica la salida o estructura que tendrán los datos de la tabla.
• outdir: caracter que indica la ruta del archivo en caso de que se seleccione “csv”,“tsv” ó “json” en el argumento anterior.
• password: caracter que indica la contraseña en caso de tener un archivo PDF con seguridad.
• encoding: caracter que especifica la codificación del PDF (opcional).
• copy: valor lógico, que indica si el archivo original se debe o no copiar antes de realizar los procesos sobre él.

Ejemplo 1

El PDF que se usará en este ejemplo se encuentra en la carpeta “examples” del paquete “tabulizer”, el mismo se descarga automáticamente cuando se instala el paquete. Este PDF consta de tres páginas donde cada una cuenta con una tabla. Los siguientes comandos permiten extraer esas tablas.

#Cargo paquete
library(tabulizer)

#Genero ruta del archivo
f <- system.file("examples", "data.pdf", package = "tabulizer")

#Uso función para extraer las tablas
f1 <-  extract_tables(f,output = "data.frame")

#Muestro dataframe de la primera hoja
f1[[1]]

##     mpg cyl  disp  hp drat    wt  qsec vs am gear
## 1  21.0   6 160.0 110 3.90 2.620 16.46  0  1    4
## 2  21.0   6 160.0 110 3.90 2.875 17.02  0  1    4
## 3  22.8   4 108.0  93 3.85 2.320 18.61  1  1    4
## 4  21.4   6 258.0 110 3.08 3.215 19.44  1  0    3
## 5  18.7   8 360.0 175 3.15 3.440 17.02  0  0    3
## 6  18.1   6 225.0 105 2.76 3.460 20.22  1  0    3
## 7  14.3   8 360.0 245 3.21 3.570 15.84  0  0    3
## 8  24.4   4 146.7  62 3.69 3.190 20.00  1  0    4
## 9  22.8   4 140.8  95 3.92 3.150 22.90  1  0    4
## 10 19.2   6 167.6 123 3.92 3.440 18.30  1  0    4
## 11 17.8   6 167.6 123 3.92 3.440 18.90  1  0    4
## 12 16.4   8 275.8 180 3.07 4.070 17.40  0  0    3
## 13 17.3   8 275.8 180 3.07 3.730 17.60  0  0    3
## 14 15.2   8 275.8 180 3.07 3.780 18.00  0  0    3
## 15 10.4   8 472.0 205 2.93 5.250 17.98  0  0    3
## 16 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3
## 17 14.7   8 440.0 230 3.23 5.345 17.42  0  0    3
## 18 32.4   4  78.7  66 4.08 2.200 19.47  1  1    4
## 19 30.4   4  75.7  52 4.93 1.615 18.52  1  1    4
## 20 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4
## 21 21.5   4 120.1  97 3.70 2.465 20.01  1  0    3
## 22 15.5   8 318.0 150 2.76 3.520 16.87  0  0    3
## 23 15.2   8 304.0 150 3.15 3.435 17.30  0  0    3
## 24 13.3   8 350.0 245 3.73 3.840 15.41  0  0    3
## 25 19.2   8 400.0 175 3.08 3.845 17.05  0  0    3
## 26 27.3   4  79.0  66 4.08 1.935 18.90  1  1    4
## 27 26.0   4 120.3  91 4.43 2.140 16.70  0  1    5
## 28 30.4   4  95.1 113 3.77 1.513 16.90  1  1    5
## 29 15.8   8 351.0 264 4.22 3.170 14.50  0  1    5
## 30 19.7   6 145.0 175 3.62 2.770 15.50  0  1    5
## 31 15.0   8 301.0 335 3.54 3.570 14.60  0  1    5

#Muestro dataframe de la segunda hoja
f1[[2]]

##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa

#Muestro dataframe de la tercera hoja
f1[[3]]

##     X Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
## 1 145          6.7         3.3          5.7         2.5 virginica
## 2 146          6.7         3.0          5.2         2.3 virginica
## 3 147          6.3         2.5          5.0         1.9 virginica
## 4 148          6.5         3.0          5.2         2.0 virginica
## 5 149          6.2         3.4          5.4         2.3 virginica
## 6 150          5.9         3.0          5.1         1.8 virginica

Es importante señalar que la función “extract_tables” me devuelve una lista donde en cada elemento se encontrará una tabla. Con el fin de ver la estructura y clase de cada columna se usa el comando “str”,

#estructura tabla 1
str(f1[[1]])

## 'data.frame':    31 obs. of  10 variables:
##  $ mpg : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
##  $ cyl : int  6 6 4 6 8 6 8 4 4 6 ...
##  $ disp: num  160 160 108 258 360 ...
##  $ hp  : int  110 110 93 110 175 105 245 62 95 123 ...
##  $ drat: num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
##  $ wt  : num  2.62 2.88 2.32 3.21 3.44 ...
##  $ qsec: num  16.5 17 18.6 19.4 17 ...
##  $ vs  : int  0 0 1 1 0 1 0 1 1 1 ...
##  $ am  : int  1 1 1 0 0 0 0 0 0 0 ...
##  $ gear: int  4 4 4 3 3 3 3 4 4 4 ...

#estructura tabla 2
str(f1[[2]])

## 'data.frame':    6 obs. of  5 variables:
##  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4
##  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9
##  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7
##  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4
##  $ Species     : chr  "setosa" "setosa" "setosa" "setosa" ...

#estructura tabla 3
str(f1[[3]])

## 'data.frame':    6 obs. of  6 variables:
##  $ X           : int  145 146 147 148 149 150
##  $ Sepal.Length: num  6.7 6.7 6.3 6.5 6.2 5.9
##  $ Sepal.Width : num  3.3 3 2.5 3 3.4 3
##  $ Petal.Length: num  5.7 5.2 5 5.2 5.4 5.1
##  $ Petal.Width : num  2.5 2.3 1.9 2 2.3 1.8
##  $ Species     : chr  "virginica" "virginica" "virginica" "virginica" ...

de esta manera se han extraido las tres tablas que posee este documento PDF.

Ejemplo 2

Para este ejemplo se usará un PDF localizado en una dirección específica, el mismo consta de dos hojas en las cuales hay información sobre las tablas de la distribución t-student.

#Fijo ruta
ruta <- "http://cms.dm.uba.ar/academico/materias/1ercuat2015/probabilidades_y_estadistica_C/tabla_tstudent.pdf"

#Extraigo tablas
tabla <- extract_tables(ruta,output = "data.frame")

#Veo la estructura de la tabla
str(tabla)

## List of 2
##  $ :'data.frame':    51 obs. of  8 variables:
##   ..$ X  : chr [1:51] "rados de" "libertad" "1" "2" ...
##   ..$ X.1: num [1:51] NA 0.25 1 0.816 0.765 ...
##   ..$ X.2: num [1:51] NA 0.1 3.08 1.89 1.64 ...
##   ..$ X.3: num [1:51] NA 0.05 6.31 2.92 2.35 ...
##   ..$ t0 : num [1:51] NA 0.025 12.706 4.303 3.182 ...
##   ..$ X.4: logi [1:51] NA NA NA NA NA NA ...
##   ..$ X.5: num [1:51] NA 0.01 31.82 6.96 4.54 ...
##   ..$ X.6: num [1:51] NA 0.005 63.656 9.925 5.841 ...
##  $ :'data.frame':    51 obs. of  7 variables:
##   ..$ X50    : chr [1:51] "51" "52" "53" "54" ...
##   ..$ X0.6794: num [1:51] 0.679 0.679 0.679 0.679 0.679 ...
##   ..$ X1.2987: num [1:51] 1.3 1.3 1.3 1.3 1.3 ...
##   ..$ X1.6759: num [1:51] 1.68 1.67 1.67 1.67 1.67 ...
##   ..$ X2.0086: num [1:51] 2.01 2.01 2.01 2 2 ...
##   ..$ X2.4033: num [1:51] 2.4 2.4 2.4 2.4 2.4 ...
##   ..$ X2.6778: num [1:51] 2.68 2.67 2.67 2.67 2.67 ...

#Muestro tabla 1 extraida
head(tabla[[1]])

##          X    X.1    X.2    X.3      t0 X.4     X.5     X.6
## 1 rados de     NA     NA     NA      NA  NA      NA      NA
## 2 libertad 0.2500 0.1000 0.0500  0.0250  NA  0.0100  0.0050
## 3        1 1.0000 3.0777 6.3137 12.7062  NA 31.8210 63.6559
## 4        2 0.8165 1.8856 2.9200  4.3027  NA  6.9645  9.9250
## 5        3 0.7649 1.6377 2.3534  3.1824  NA  4.5407  5.8408
## 6        4 0.7407 1.5332 2.1318  2.7765  NA  3.7469  4.6041

#Muestro tabla 2 extraida
head(tabla[[2]])

##   X50 X0.6794 X1.2987 X1.6759 X2.0086 X2.4033 X2.6778
## 1  51  0.6793  1.2984  1.6753  2.0076  2.4017  2.6757
## 2  52  0.6792  1.2980  1.6747  2.0066  2.4002  2.6737
## 3  53  0.6791  1.2977  1.6741  2.0057  2.3988  2.6718
## 4  54  0.6791  1.2974  1.6736  2.0049  2.3974  2.6700
## 5  55  0.6790  1.2971  1.6730  2.0040  2.3961  2.6682
## 6  56  0.6789  1.2969  1.6725  2.0032  2.3948  2.6665

En este caso debido al título de la primera tabla que posee dos filas, se deben realizar algunas modificaciones sobre el resultado de la primera extracción,

#Asigno primera tabla
tabla1 <- tabla[[1]]

#Asigno nombre a tabla 1
names(tabla1) <- tabla1[2,]
names(tabla1)[1] <- "Grados de Libertad"

#Elinimo primera y segunda fila
tabla1 <- tabla1[-c(1,2),-6]

#Asigno segunda tabla
tabla2 <- tabla[[2]]
names(tabla2) <- names(tabla1)

#Muestro tablas
head(tabla1)

##   Grados de Libertad   0.25    0.1   0.05   0.025    0.01   0.005
## 3                  1 1.0000 3.0777 6.3137 12.7062 31.8210 63.6559
## 4                  2 0.8165 1.8856 2.9200  4.3027  6.9645  9.9250
## 5                  3 0.7649 1.6377 2.3534  3.1824  4.5407  5.8408
## 6                  4 0.7407 1.5332 2.1318  2.7765  3.7469  4.6041
## 7                  5 0.7267 1.4759 2.0150  2.5706  3.3649  4.0321
## 8                  6 0.7176 1.4398 1.9432  2.4469  3.1427  3.7074

head(tabla2)

##   Grados de Libertad   0.25    0.1   0.05  0.025   0.01  0.005
## 1                 51 0.6793 1.2984 1.6753 2.0076 2.4017 2.6757
## 2                 52 0.6792 1.2980 1.6747 2.0066 2.4002 2.6737
## 3                 53 0.6791 1.2977 1.6741 2.0057 2.3988 2.6718
## 4                 54 0.6791 1.2974 1.6736 2.0049 2.3974 2.6700
## 5                 55 0.6790 1.2971 1.6730 2.0040 2.3961 2.6682
## 6                 56 0.6789 1.2969 1.6725 2.0032 2.3948 2.6665

De esta forma se ha extraido de manera sencilla las tablas provenientes del PDF en cuestión. Para mayor comodidad revisar mi repositorio aquí