display pdf in asp net c# : How to rotate one page in pdf document control software platform web page winforms azure web browser DataScienceBook1_114-part1686

one line. The capitalized words in that string are the SQL com-
mands. It is beyond the scope of this chapter to give an SQL tuto-
rial, but, briefly, SELECT chooses a subset of the table and the 
fields named after select are the ones that will appear in the result. 
The FROM command choose the table(s) where the data should 
come from. The WHERE command specified a condition, in this 
case that we only wanted rows where the July 2011 population was 
less than one million. SQL is a powerful and flexible language and 
this just scratches the surface.
In this case we did not assign the results of dbGetQuery() to an-
other data object, so the results were just echoed to the R console. 
But it would be easy to assign the results to a dataframe and then 
use that dataframe for subsequent calculations or visualizations.
To emphasize a point made above, the normal motivation for ac-
cessing data through MySQL or another database system is that a 
large database exists on a remote server. Rather than having our 
own complete copy of those data, we can use dbConnect(), 
dbGetQuery() and other database functions to access the remote 
data through SQL. We can also use SQL to specify subsets of the 
data, to preprocess the data with sorts and other operations, and to 
create summaries of the data. SQL is also particularly well suited 
to “joining” data from multiple tables to make new combinations. 
In the present example, we only used one table, it was a very small 
table, and we had created it ourselves in R from an Excel source, so 
none of these were very good motivations for storing our data in 
MySQL, but this was only a demonstration.
The next step beyond remote databases is toward distributed com-
puting across a “cluster” of computers. This combines the remote 
access to data that we just demonstrated with additional computa-
tional capabilities. At this writing, one of the most popular systems 
for large scale distributed storage and computing is “Hadoop” 
(named after the toy elephant of the young son of the developer). 
Hadoop is not a single thing, but is rather a combination of pieces 
of software called a library. Hadoop is developed and maintained 
by the same people who maintain the Apache open source web 
server. There are about a dozen different parts of the Hadoop 
framework, but the Hadoop Distributed Files System (HDFS) and 
Hadoop MapReduce framework are two of the most important 
HDFS is easy to explain. Imagine your computer and several other 
computers at your home or workplace. If we could get them all to 
work together, we could call them a “cluster” and we could theo-
retically get more use out of them by taking advantage of all of the 
storage and computing power they have as a group. Running 
HDFS, we can treat this cluster of computers as one big hard drive. 
If we have a really large file - too big to fit on any one of the com-
puters - HDFS can divide up the file and store its different parts in 
different storage areas without us having to worry about the de-
tails. With a proper configuration of computer hardware, such as 
an IT department could supply, HDFS can provide an enormous 
amount of “throughput” (i.e., a very fast capability for reading and 
writing data) as well as redundancy and failure tolerance. 
MapReduce is a bit more complicated, but it follows the same logic 
of trying to divide up work across multiple computers. The term 
MapReduce is used because there are two big processes involved: 
map and reduce. For the map operation, a big job is broken up into 
How to rotate one page in pdf document - rotate PDF page permanently in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Empower Users to Change the Rotation Angle of PDF File Page Using C#
how to rotate page in pdf and save; how to rotate all pages in pdf in preview
How to rotate one page in pdf document - VB.NET PDF Page Rotate Library: rotate PDF page permanently in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
PDF Document Page Rotation in Visual Basic .NET Class Application
how to change page orientation in pdf document; rotate pdf pages on ipad
lots of separate parts. For example, if we wanted to create a search 
index for all of the files on a company’s intranet servers, we could 
break up the whole indexing task into a bunch of separate jobs. 
Each job might take care of indexing the files on one server.
In the end, though, we don’t want dozens or hundreds of different 
search indices. We want one big one that covers all of the files our 
company owns. This is where the reduce operation comes in. As all 
of the individual indexing jobs finish up, a reduce operation com-
bines them into one big job. This combining process works on the 
basis of a so called “key.” In the search indexing example, some of 
the small jobs might have found files that contained the word 
“fish.” As each small job finishes, it mentioned whether or not fish 
appeared in a document and perhaps how many times fish ap-
peared. The reduce operation uses fish as a key to match up the re-
sults from all of the different jobs, thus creating an aggregated sum-
mary listing all of the documents that contained fish. Later, if any-
one searched on the word fish, this list could be used to direct 
them to documents that contained the word.
In short, “map” takes a process that the user specifies and an indi-
cation of which data it applies to, and divides the processing into 
as many separate chunks as possible. As the results of each chunk 
become available, “reduce” combines them and eventually creates 
and returns one aggregated result. 
Recently, an organization called RevolutionAnalytics has devel-
oped an R interface or “wrapper” for Hadoop that they call RHa-
doop. This package is still a work in progress in the sense that it 
does not appear in the standard CRAN package archive, not be-
cause there is anything wrong with it, but rather because Revolu-
tionAnalytics wants to continue to develop it without having to 
provide stable versions for the R community. There is a nice tuto-
rial here:
We will break open the first example presented in the tutorial just 
to provide further illustration of the use of MapReduce. As with 
our MySQL example, this is a rather trivial activity that would not 
normally require the use of a large cluster of computers, but it does 
show how MapReduce can be put to use.
The tutorial example first demonstrates how a repetitive operation 
is accomplished in R without the use of MapReduce. In prior chap-
ters we have used several variations of the apply() function. The 
lapply() or list-apply is one of the simplest. You provide an input 
vector of values and a function to apply to each element, and the 
lapply() function does the heavy lifting. The example in the RHa-
doop tutorial squares each integer from one to 10. This first com-
mand fills a vector with the input data:
> small.ints <- 1:10
> small.ints
[1]  1  2  3  4  5  6  7  8  9 10
Next we can apply the “squaring function” (basically just using the 
^ operator) to each element of the list:
> out <- lapply(small.ints, function(x) x^2)
> out
VB.NET PDF Page Delete Library: remove PDF pages in vb.net, ASP.
If you are looking for a solution to conveniently delete one page from your PDF document, you can use this VB.NET PDF Library, which supports a variety of PDF
how to permanently rotate pdf pages; rotate all pages in pdf
C# PDF Page Extract Library: copy, paste, cut PDF pages in C#.net
Extract PDF Pages, Copy Pages from One PDF File and Paste into Others in C#.NET Program. Free PDF document processing SDK supports PDF page extraction, copying
rotate pages in pdf and save; pdf rotate pages and save
[1] 1
[1] 4
... (shows all of the values up to [[10]] [1] 100)
In the first command above, we have used lapply() to perform a 
function on the input vector small.ints. We have defined the func-
tion as taking the value x and returning the value x^2. The result is 
a list of ten vectors (each with just one element) containing the 
squares of the input values. Because this is such a small problem, R 
was able to accomplish it in a tiny fraction of a second.
After installing both Hadoop and RHadoop - which, again, is not 
an official package, and therefore has to be installed manually - we 
can perform this same operation with two commands:
> small.ints <- to.dfs(1:10)
> out <- mapreduce(input = small.ints, +

map = function(k,v) keyval(v, v^2))
In the first command, we again create a list of integers from one to 
ten. But rather than simply storing them in a vector, we are using 
the “distributed file system” or dfs class that is provided by RHa-
doop. Note that in most cases we would not need to create this our-
selves because our large dataset would already exist on the HDFS 
(Hadoop Distributed FIle System). We would have connected to 
HDFS and selected the necessary data much as we did earlier in 
this chapter with dbConnect(). 
In the second command, we are doing essentially the same thing as 
we did with lapply(). We provide the input data structure (which, 
again is a dfs class data object, a kind of pointer to the data stored 
by Hadoop in the cluster). We also provide a “map function” 
which is the process that we want to apply to each element in our 
data set. Notice that the function takes two arguments, k and v. 
The k refers to the “key” that we mentioned earlier in the chapter. 
We actually don’t need the key in this example because we are not 
supplying a reduce function. There is in fact, no aggregation or 
combining activity that needs to occur because our input list (the 
integers) and the output list (the squares of those integers) are lists 
of the same size. If we had needed to aggregate the results of the 
map function, say by creating a mean or a sum, we would have 
had to provide a “reduce function” that would do the job.
The keyval() function, for which there is no documentation at this 
writing, is characterized as a “helper” function in the tutorial. In 
this case it is clear that the first argument to keyval, “v” is the int-
ger to which the process must be applied, and the second argu-
ment, “v^2” is the squaring function that is applied to each argu-
ment. The data returned by mapreduce() is functionally equivalent 
to that returned by lapply(), i.e., a list of the squares of the integers 
from 1 to 10.
Obviously there is no point in harnessing the power of a cluster of 
computers to calculate something that could be done with a pencil 
and a paper in a few seconds. If, however, the operation was more 
complex and the list of input data had millions of elements, the use 
C# PDF File Merge Library: Merge, append PDF files in C#.net, ASP.
C# developers can easily merge and append one PDF document to another NET document imaging toolkit, also offers other advanced PDF document page processing and
rotate all pages in pdf file; how to rotate one page in a pdf file
VB.NET PDF File Merge Library: Merge, append PDF files in vb.net
This guiding page will help you merge two or more PDF documents into a single one in a Visual Basic .NET imaging application.
rotate pdf pages individually; rotate individual pages in pdf reader
of lapply() would be impractical as it would take your computer 
quite a long time to finish the job. On the other hand, the second 
strategy of using mapreduce() could run the job in a fraction of a 
second, given a sufficient supply of computers and storage.
On a related note, Amazon, the giant online retailer, provides vir-
tual computer clusters that can be used for exactly this kind of 
work. Amazon’s product is called the Elastic Compute Cloud or 
EC2, and at this writing it is possible to create a small cluster of 
Linux computers for as little as eight cents per hour.
To summarize this chapter, although there are many analytical 
problems that require only a small amount of data, the wide avail-
ability of larger data sets has added new challenges to data science. 
As a single user program running on a local computer, R is well 
suited for work by a single analyst on a data set that is small 
enough to fit into the computer’s memory. We can retrieve these 
small datasets from individual files stored in human readable 9e.g., 
CSV) or binary (e.g., XLS) formats.
To be able to tackle the larger data sets, however, we need to be 
able to connect R with either remote databases or remote computa-
tional resources or both. A variety of packages is available to con-
nect R to mature database technologies such as MySQL. In fact, we 
demonstrated the use of MySQL by installing it on a local machine 
and then using the RMySQL package to create a table and query it. 
The more cutting edge technology of Hadoop is just becoming 
available for R users. This technology, which provides the potential 
for both massive storage and parallel computational power, prom-
ises to make very large datasets available for processing and analy-
sis in R.
Chapter Challenge
Hadoop is a software framework designed for use with Apache, 
which is first and foremost a Linux server application. Yet there are 
development versions of Hadoop available for Windows and Mac 
as well. These are what are called single node instances, that is 
they use a single computer to simulate the existence of a large clus-
ter of computers. See if you can install the appropriate version of 
Hadoop for your computer’s operating system. 
As a bonus activity, if you are successful in installing Hadoop, then 
get a copy of the RHadoop package from RevolutionAnalytics and 
install that. If you are successful with both, you should be able to 
run the MapReduce code presented in this chapter.
R Functions Used in this Chapter
VB.NET PDF Annotate Library: Draw, edit PDF annotation, markups in
A PDFDocument object contains all information about source PDF document file. PDFPage: As for one page of PDFDocument instance, RasterEdge VB.NET PDF annotator
how to permanently rotate pdf pages; rotate one page in pdf
C# PDF Page Delete Library: remove PDF pages in C#.net, ASP.NET
unnecessary page from target existing PDF document file. Using RasterEdge Visual C# .NET PDF page deletion component, developers can easily select one or more
how to rotate a single page in a pdf document; how to rotate pdf pages and save permanently
as.numeric() - Convert another data type to a number
dbConnect() - Connect to an SQL database
dgGetQuery() - Run an SQL query and return the results
dbListTables() - Show the tables available in a connection
dbWriteTable() - Send a data table to an SQL systems
install.packages() - Get the code for an R package
lapply() - Apply a function to elements of a list
library() - Make an R package available for use
Numberize() - A custom function created in this chapter
read.xls() - Import data from a binary R file; part of the gdata pack-
return() - Used in functions to designate the data returned by the 
str_replace() - Replace a character string with another
str_replace_all() - Replace multiple instances of a character string 
with another
C# PDF: C# Code to Process PDF Document Page Using C#.NET PDF
for developers on how to rotate PDF page in different two different PDF documents into one large PDF C# PDF Page Processing: Split PDF Document - C#.NET PDF
rotate pdf page and save; rotate one page in pdf reader
C# PDF copy, paste image Library: copy, paste, cut PDF images in
This C#.NET example describes how to copy an image from one page of PDF document and paste it into another page. // Define input and output documents.
rotate individual pdf pages reader; pdf reverse page order
Much of what we have accomplished so far has focused on the standard rectangular dataset: one neat 
table with rows and columns well defined. Yet much of the power of data science comes from 
bringing together difference sources of data in complementary ways. In this chapter we combine 
different sources of data to make a unique product that transcends any one source.
Map MashUp
Mashup is a term that originated in the music business decades 
ago related to the practice of overlaying one music recording on 
top of another one. The term has entered general usage to mean 
anything that brings together disparate influences or elements. In 
the application development area, mashup often refers to bringing 
together various sources of data to create a new product with 
unique value. There’s even a non-profit group called the Open 
Mashup Alliance that develops standards and methods for creating 
new mashups.
One example of a mashup is http://www.housingmaps.com
/ , a 
web application that grabs apartment rental listings from the classi-
fied advertising service Craigslist and plots them on an interactive 
map that shows the location of each listing. If you have ever used 
Craigslist you know that it provides a very basic text-based inter-
face and that the capability to find listings on a map would be wel-
In this chapter we tackle a similar problem. Using some address 
data from government records, we call the Google geocoding API 
over the web to find the latitude and longitude of each address. 
Then we plot these latitudes and longitudes on a map of the U.S. 
This activities reuses skills we learned in the previous chapter for 
reading in data files, adds some new skills related to calling web 
APIs, and introduces us to a new type of data, namely the shape-
files that provide the basis for electronic maps. 
Let’s look at the new stuff first. The Internet is full of shapefiles 
that contain mapping data. Shapefiles are a partially proprietary, 
partially open format supported by a California software company 
called ESRI. Shapefile is actually an umbrella term that covers sev-
eral different file types. Because the R community has provided 
some packages to help deal with shapefiles, we don’t need to much 
information about the details. The most important thing to know is 
that shapefiles contain points, polygons, and “polylines.” Everyone 
knows what a point and a polygon are, but a polyline is a term 
used by computer scientist to refer to a multi-segment line. In 
many graphics applications it is much easier to approximate a 
curved line with many tiny connected straight lines than it is to 
draw a truly curved line. If you think of a road or a river on a map, 
you will have a good idea of a polyline.
The U.S. Census bureau publishes shapefiles at various levels of de-
tail for every part of the country. Search for the term “shapefile” at 
“site:census.gov” and you will find several pages with listings of 
different shapefiles. For this exercise, we are using a relatively low 
detail map of the whole U.S. We downloaded a “zip” file. Unzip 
this (usually just by double-clicking on it) and you will find several 
files inside it. The file ending in “shp” is the main shapefile. An-
other file that will be useful to us ends in “dbf” - this contains la-
bels and other information.
To get started, we will need two new R packages called PBSmap-
ping and maptools. PBSmapping refers not to public broadcasting, 
but rather to the Pacific Biology Station, whose researchers and 
technologists kindly bundled up a wide range of the R processing 
tools that they use to manage map data.  The maptools package 
was developed by Nicholas J. Lewin-Koh (University of Singapore) 
and others to provide additional tools and some “wrappers” to 
make PBSmapping functions easier to use. In this chapter we only 
scratch the surface of the available tools: there could be a whole 
book just dedicated to R mapping functions alone. 
Before we read in the data we grabbed from the Census Bureau, 
let’s set the working directory in R-Studio so that we don’t have to 
type it out on the command line. Click on the Tools menu and then 
choose “Set Working Directory.” Use the dialog box to designate 
the folder where you have unzipped the shape data. After that, 
these commands will load the shape data into R and show us what 
we have:
> usShape <- importShapefile( +

> summary(usShape)
Records         : 90696
Contours      : 574
Holes       : 0
Events        : NA
On boundary : NA
X             : [-179.14734, 179.77847]
Y             : [17.884813, 71.3525606439998]
Projection    : LL
Zone          : NULL
Extra columns   : 
> plotPolys(usShape)
This last command gives us a simple plot of the 90,696 shapes that 
our shapefile contains. Here is the plot:
This is funny looking! The ranges output from the summary() com-
mand gives us a hint as to why. The longitude of the elements in 
our map range from -179 to nearly 180: this covers pretty much the 
whole of the planet. The reason is that the map contains shapes for 
Hawaii and Alaska. Both states have far western longitudes, but 
the Aleutian peninsula in Alaska extends so far that it crosses over 
the longitude line where -180 and 180 meet in the Pacific Ocean. As 
a result, the continental U.S. is super squashed. We can specify a 
more limited area of the map to consider by using the xlim and 
ylim parameters. The following command:
> plotPolys(usShape,+

...gives a plot that shows the continental U.S. more in its typical 
So now we have some map data stored away and ready to use. The 
PBSmapping package gives us the capability of adding points to an 
existing map. For now, let’s demonstrate this with a made up point 
somewhere in Texas:
> X <- -100
> Y <- 30
> EID <- 1
> pointData <- data.frame(EID,X,Y)
> eventData <- as.EventData( +

> addPoints(eventData,col="red",cex=.5)
You have to look carefully, but in southern Texas there is now a lit-
tle red dot. We began by manually creating a single point - speci-
fied by X (longitude), Y (latitude), and EID (an identification num-
ber) - and sticking it into a dataframe. Then we converted the data 
in that dataframe into an EventData object. This is a custom class 
of object specified by the PBSmapping package. The final com-
mand above adds the EventData to the plot. 
The idea of EventData is a little confusing, but if you remember 
that this package was developed by biologists at the Pacific Biol-
ogy Station to map sightings of fish and other natural phenomena 
it makes more sense. In their lingo, an event was some observation 
of interest that occurred at a particular day, time, and location. The 
“event id” or EID <- 1 that we stuck in the data frame was just say-
ing that this was the first point in our list that we wanted to plot. 
For us it is not an event so much as a location of something we 
wanted to see on the map.
Also note that the “projection=NA” parameter in the 
as.EventData() coercion is just letting the mapping software know 
that we don’t want our point to be transformed according to a map-
ping projection. If you remember from your Geography class, a pro-
jection is a mapping technique to make a curved object like the 
Earth seem sensible on a flat map. In this example, we’ve already 
flattened out the U.S., so there is no need to transform the points.
Next, we need a source of points to add to our map. This could be 
anything that we’re interested in: the locations of restaurants, 
crime scenes, colleges, etc. In Google a search for filetype:xls or file-
type;csv with appropriate additional search terms can provide in-
teresting data sources. You may also have mailing lists of custom-
ers or clients. The most important thing is that we will need street 
address, city, and state in order to geocode the addresses. For this 
example, we searched for “housing street address list filetype:csv” 
and this turned up a data set of small businesses that have con-
tracts with the U.S. Department of Health and Human services. 
Let’s read this in using read.csv():
> dhhsAddrs <- read.csv("DHHS_Contracts.csv")
> str(dhhsAddrs)
599 obs. of  10 variables:
$ Contract.Number           : Factor w/ 285 lev-
els "26301D0054","500000049",..: 125 125 125 279 
164 247 19 242 275 70 ...
$ Contractor.Name           : Factor w/ 245 lev-
1 1 1 2 2 3 4 6 5 7 ...
$ Contractor.Address        : Factor w/ 244 lev-
116 116 116 117 117 136 230 194 64 164 ...
$ Description.Of.Requirement: Factor w/ 468 lev-
55 55 55 292 172 354 308 157 221 340 ...
$ Dollars.Obligated         : Factor w/ 586 lev-
els " $1,000,000.00 ",..: 342 561 335 314 294 2 
250 275 421 21 ...
$ NAICS.Code                : Factor w/ 55 lev-
els "323119","334310",..: 26 26 26 25 10 38 33 29 
27 35 ...
$ Ultimate.Completion.Date  : Factor w/ 206 lev-
els "1-Aug-2011","1-Feb-2013",..: 149 149 149 10 
175 161 124 37 150 91 ...
Documents you may be interested
Documents you may be interested