R语言PDF解析后文本无法拆分为列的问题解决

问题背景 #

已将PDF转为文本，提取到目标行"TRIGLYCERIDES SERUM 115.3 Normal : Upto 150 Border Line mg/dl"，通过strsplit(" +")拆分后得到三部分内容，但转成数据框时遇到两个问题：

1. 使用read.csv得到0行结果
2. 使用separate_wider_delim报错

解决方法1：修复read.csv返回0行的问题 #

问题原因 #

read.csv默认将第一行识别为表头，而我们的字符串是唯一的数据行，导致被误判为表头，没有数据行返回。

修正代码 #

pdf_rowwise[[4]][6: length(pdf_rowwise[[4]])] |>
  strsplit("    +") |>
  Filter(f = \(x) length(x) == 3) |>
  lapply(paste, collapse = "|") |>
  do.call(what = "c") |>
  read.csv(text = _, check.names = FALSE, sep = "|", header = FALSE, col.names = c("Test Name", "Result", "Unit"))

关键修改 #

• 添加header = FALSE：告诉read.csv第一行是数据而非表头
• 指定col.names：设置数据框的列名

解决方法2：修复separate_wider_delim的报错问题 #

问题原因 #

separate_wider_delim必须明确指定要拆分的列，原代码未提供cols参数导致报错。

修正代码（显式列名） #

pdf_rowwise[[4]][6: length(pdf_rowwise[[4]])]  %>% 
  strsplit("    +") %>% 
  Filter(f = \(x) length(x) == 3) %>% 
  lapply(paste, collapse = "|")  %>%  
  do.call(what = "c") %>% 
  data.frame(Test_String = .) %>% # 给单列命名，便于指定拆分目标
  separate_wider_delim(cols = Test_String, delim = "|",
                       names = c("Test Name","Result","Unit"))

简化写法（自动识别单列） #

pdf_rowwise[[4]][6: length(pdf_rowwise[[4]])]  %>% 
  strsplit("    +") %>% 
  Filter(f = \(x) length(x) == 3) %>% 
  lapply(paste, collapse = "|")  %>%  
  do.call(what = "c") %>% 
  data.frame() %>%
  separate_wider_delim(cols = everything(), delim = "|",
                       names = c("Test Name","Result","Unit"))

关键修改 #

• 添加cols参数：指定要拆分的列（everything()选中所有列，这里即唯一的一列）

更简洁的替代方案 #

跳过拼接为|分隔字符串的步骤，直接将拆分后的列表转为数据框：

pdf_rowwise[[4]][6: length(pdf_rowwise[[4]])] %>%
  strsplit("    +") %>%
  Filter(f = \(x) length(x) == 3) %>%
  do.call(rbind, .) %>%
  as.data.frame(stringsAsFactors = FALSE) %>%
  setNames(c("Test Name", "Result", "Unit"))

说明 #

• do.call(rbind, .)将列表转为矩阵，直接适配数据框结构
• setNames直接设置列名，步骤更高效

内容的提问来源于stack exchange，提问作者ViSa