从R

Question

我正在尝试分析来自LegisScan的账单文本，但是我遇到了从API拉响应解码文本的问题。事实证明，在通过他们的API获取时，LegisScan可以编码基础64中所有立法的全文，并且我在解码它时遇到了一些麻烦。

此 downloaded JSON request 是我通过API下载的JSON结果的全文部分示例。但是，通常的方法似乎没有起作用。

我尝试过：

1. 立法似乎没有直接支持R，所以我使用了包立法R.我使用了LegiscanR的BillText函数来获取正确的JSON链接，然后使用parseBillText尝试将链接中的文本解码为UTF-8。但是，即使链接中声明了正确的API密钥和文档ID，它也会引发fromJSON错误：

  

fromJSON中的错误（content，handler，default.size，depth，allowComments ,:     对象'严格'未找到

1. 使用base64decode（base64enc包）或base64Decode（RCurl包）函数将文本从base 64转换为raw，然后使用rawToChar函数将其转换为字符。

我的代码：

text <- base64decode("https://www.dropbox.com/s/5ozd0a1zsb6y9pi/Legiscan_fulltext.txt?dl=0")

rawToChar(text)
Nul <- text == as.raw(00)
text[Nul] <- as.raw(20)
text2 <- rawToChar(text)

但是，尝试单独使用rawToChar会给我一个“嵌入字符串nul”错误

  

rawToChar（test2）出错：     在字符串中嵌入nul：'％PDF-1.5 \ r \ n％\ xb5 \ xb5 \ xb5 \ xb5 \ r \ n1 0 obj \ r \ n＆lt;＆gt;＆gt;＆gt; \ r \ nendobj \ r \ n2 0 obj \ r \ n＆lt;＆gt; \ r \ nendobj \ r \ n3 0 obj \ r \ n＆lt;＆gt; / ExtGState＆lt;＆gt; / ProcSet [/ PDF / Text / ImageB / ImageC / ImageI]＆gt;＆gt; / MediaBox [ 0 0 612 792] /目录4 0 R /组＆lt;＆gt; / Tabs / S / StructParents 0＆gt;＆gt; \ r \ nendobj \ r \ n4 0 obj \ r \ n＆lt;＆gt; \ r \ n \ nstream \ r \ n \ n \ n \ n \ x9c \ xb5ZYs \ xdb8 \ 022〜w ^ \ X95 \ XFF \ 003 *○\ u0516M \ 021ཛJ□\ X95 \xe3ę̵\ X99 \ XB1 \ xa7f \ XB7 \ x92y \ XA0 $ \ XCA \ XE2 \ 86" \ 025 \ 036 \ XF6 \ XE6 \ xdfow \ 003 \ X94 \ bR0sh \ X93 * \ x99G \ XA3 \ 001 | \ XDD \ xfdu7 \ XA4 \ xf9U \ xd5d \ xebd \ XE7 \ XCF \ xe7WM \ x93,7銽\ x9f \ u07d5 \ XBB \ XBF \ xe6w \ x9fw \ xe9 \ XFC] r \ x9f \ 025I \ X93 \ X95 \ XC5 \ XFC \ XB6] 4 \ XF8 \ xe8 \ x874Y \ xa5Ջ\ 027 \ XEC \ xe5 \ xabk \ XF6 \ XF2 \ XEE \ xfcl〜\ xc3Yl \ xc7 \

将这些空值替换为表示空格允许rawToChar运行，但输出是乱码，或者是另一种不是预期的英文文本字符的编码形式。

  

[1]“\ x86 \ xdbi \ xb3 \ xff \ xf0 \ xc3 \ ak \ xa2 \ x96 \ xe8 \ xc5 \ xca＆amp; \ xfe \ xcf \ xf9 \ xa37tk \\ xeco \ xac \ xbd \ xa6 / \ xcbz \ b \ xacq版权所有\ xA9 \ u07faYm {\033米\ XC6 \ xd7e“

还有什么其他想法可以尝试？感谢。

Answer 1

我一直在处理Python和Python中的相同问题，以下代码有效：

import base64
raw = base64.b64decode(bill_text['doc'])
pdf_result = open(output_file, "wb").write(raw)

我想也许在你的情况下你试图将文档立即转换为文本，但这可能不那么容易，我在Python中通过使用PyPDF2库中的函数解析保存的PDF文件。