R中tabulapdf抓取数据框：将误设表头转为行兼容旧代码

问题描述 #

使用tabulizer/tabulapdf抓取PDF表格时，原本无表头的表格被工具误将首行内容识别为列名，导致数据框结构异常，无法按原逻辑（如scraped_data[[1]][1,1]）提取原本的首行数据。当前抓取得到的数据框结构如下：

scraped_data <- list(
  structure(
    list(
      `NORTH AMERICA. PREMIER LEAGUE (W) (25.10.2022)` = "Team A 2 – 0 Team B"
    ),
    row.names = c(NA, -1L),
    spec = structure(
      list(
        cols = list(
          `NORTH AMERICA. PREMIER LEAGUE (W) (25.10.2024)` = structure(
            list(),
            class = c("collector_character", "collector")
          )
        ),
        default = structure(
          list(),
          class = c("collector_guess", "collector")
        ),
        delim = "\t"
      ),
      class = "col_spec"
    ),
    class = c("spec_tbl_df", "tbl_df", "tbl", "data.frame")
  )
)

需求是实现类似scraped_data |> turn_header_into_a_row()的功能，批量处理同类表格，无需重写大量代码。

解决方案 #

可以编写一个通用函数，遍历数据列表中的每个数据框，将误识别的列名转为数据行，同时统一列名以保持提取逻辑一致：

library(dplyr)
library(tibble)

turn_header_into_a_row <- function(data_list) {
  lapply(data_list, function(df) {
    # 提取原列名作为新行数据
    header_row <- tibble(col1 = names(df))
    # 重命名原数据框的列名为通用名称
    df_renamed <- rename(df, col1 = everything())
    # 合并新行与原数据框，重置行名
    bind_rows(header_row, df_renamed) %>%
      remove_rownames()
  })
}

使用示例 #

# 批量处理所有表格
fixed_data <- scraped_data |> turn_header_into_a_row()

# 按原逻辑提取数据
fixed_data[[1]][1,1] # 输出："NORTH AMERICA. PREMIER LEAGUE (W) (25.10.2022)"
fixed_data[[1]][2,1] # 输出："Team A 2 – 0 Team B"

该函数会自动处理列表中的每个数据框，将误识别的表头转为第一行数据，同时将列名统一为col1，确保你可以沿用之前的提取逻辑操作所有同类表格。

内容的提问来源于stack exchange，提问作者seansteele