Skip to contents

Importar arquivos para um corpus acR

Source: R/ac_import.R
ac_import.Rd

Importa arquivos de texto em diferentes formatos (PDF, Word, Excel, CSV, TXT, JSON, imagens com OCR) e retorna diretamente um objeto ac_corpus. Suporta caminhos individuais, vetores de arquivos e globs (dados/*.pdf).

Usage

ac_import(path, text_field = NULL, lang_ocr = "por", id_from = "filename", ...)

Arguments

path

Caminho para um arquivo, vetor de arquivos ou glob (ex: 'dados/*.docx'). Formatos suportados: .pdf, .doc, .docx, .xlsx, .xls, .csv, .txt, .json, .png, .jpg, .jpeg, .tiff.

text_field

Nome da coluna que contem o texto, para arquivos tabulares (.xlsx, .xls, .csv). Obrigatorio nesses formatos.

lang_ocr

Lingua para OCR em imagens e PDFs escaneados. Padrao: 'por' (portugues). Use tesseract::tesseract_info() para ver linguas instaladas.

id_from

Como gerar os IDs dos documentos. 'filename' (padrao) usa o nome do arquivo sem extensao. 'rownum' usa numeros sequenciais. Ou um vetor de strings com os IDs desejados.

...

Argumentos adicionais passados para readtext::readtext().

Value

Um objeto ac_corpus pronto para uso com todas as funcoes do acR.

Details

O ac_import() detecta automaticamente o formato pelo extension e aciona o parser correto:

  • PDF com texto selecionavel: readtext + pdftools

  • PDF escaneado / imagem: tesseract (OCR)

  • Word (.doc, .docx): readtext

  • Excel (.xlsx, .xls): readtext (requer text_field)

  • CSV: readtext (requer text_field)

  • TXT / JSON: readtext

  • Pasta inteira / glob: todos os arquivos compativeis de uma vez

Dependencias opcionais: readtext e tesseract nao sao importados automaticamente — o ac_import() verifica se estao instalados e orienta a instalacao caso necessario.

References

Benoit, K., et al. (2018). readtext: Import and Handling for Plain and Formatted Text Files. R package. https://CRAN.R-project.org/package=readtext

Ooms, J. (2024). tesseract: Open Source OCR Engine. R package. https://CRAN.R-project.org/package=tesseract

See also

ac_corpus(), ac_clean(), ac_tokenize()

Examples

if (FALSE) { # \dontrun{
# PDF com texto selecionavel
corpus <- ac_import('relatorio.pdf')

# Pasta inteira de Word
corpus <- ac_import('proposicoes/*.docx')

# Excel — indicar a coluna de texto
corpus <- ac_import('respostas.xlsx', text_field = 'resposta')

# PDF escaneado (OCR em portugues)
corpus <- ac_import('ata_manuscrita.pdf', lang_ocr = 'por')

# Imagem (OCR)
corpus <- ac_import('captura.png')

# Pasta mista (PDF + DOCX + TXT)
corpus <- ac_import('dados/*')
} # }