如何用R将PDF书籍索引转换为指定格式的规范表格？

整体流程 #

核心思路是先提取PDF文本，利用缩进层级区分属/科、种加词、变种，再通过继承父级信息、拆分字段来构建目标表格。以下是具体步骤和代码示例：

步骤1：加载依赖包 #

需要用到pdftools提取文本，stringr处理字符串，dplyr/tidyr做数据整理：

library(pdftools)
library(stringr)
library(dplyr)
library(tidyr)

步骤2：提取并清洗索引文本 #

先读取PDF的索引页，拆分成单行并过滤空行：

# 替换为你的PDF路径，指定索引所在页码范围
index_text <- pdf_text("your_book.pdf")[200:210]
# 拆分单行、去除首尾空格、过滤空行
index_lines <- str_split(index_text, "\n") %>% 
  unlist() %>% 
  str_trim() %>% 
  .[. != ""]

步骤3：识别缩进层级（关键） #

缩进是区分层级的核心依据，统计每行开头的空格数（或制表符）来标记层级：

# 计算每行开头的空格数（如果是制表符，换成str_count(index_lines, "^\\t")）
line_indent <- str_count(index_lines, "^\\s+")

# 根据实际缩进规则标记层级：
# - 0空格：属/科（首字母大写）
# - 2-4空格：种加词（小写缩进）
# - ≥6空格：变种（var开头，小写缩进）
level <- case_when(
  line_indent == 0 ~ "genus_family",
  line_indent %in% c(2, 4) ~ "epithet",
  line_indent >= 6 ~ "underspp"
)

步骤4：拆分名称与页码 #

按逗号拆分每行的物种名称和页码：

# 拆分名称部分和页码部分（逗号分隔，兼容逗号后有空格的情况）
split_data <- str_split_fixed(index_lines, ",\\s*", 2)

# 构建初始数据框
df <- tibble(
  level = level,
  name_part = str_trim(split_data[, 1]),
  no = as.integer(str_trim(split_data[, 2])) # 转成整数型页码
)

步骤5：继承父级信息 #

种加词需要关联上一级的属名，变种需要关联上一级的属和种加词：

# 向下填充属/科信息：种和变种继承最近的属/科
df <- df %>% 
  fill(genus_family = ifelse(level == "genus_family", name_part, NA), .direction = "down")

# 向下填充种加词信息：变种继承最近的种加词
df <- df %>% 
  fill(epithet = ifelse(level == "epithet", name_part, NA), .direction = "down")

步骤6：整理成目标表格 #

匹配目标列的规则，清理冗余数据：

final_df <- df %>% 
  mutate(
    # 第一列：属/科名称，种/变种行继承父级属/科
    `genus/Family` = ifelse(level == "genus_family", name_part, genus_family),
    # 第二列：种加词，变种行继承父级种加词，属/科行设为NA
    epithet = case_when(
      level == "epithet" ~ name_part,
      level == "underspp" ~ epithet,
      TRUE ~ NA_character_
    ),
    # 第三列：变种信息，仅变种行填充，其余设为NA
    underspp = ifelse(level == "underspp", name_part, NA_character_)
  ) %>% 
  # 选择目标列，过滤无种/变种的纯属/科行（如果需要保留纯科/属行可删除此句）
  select(`genus/Family`, epithet, underspp, no) %>% 
  filter(!is.na(epithet) | !is.na(underspp))

注意事项 #

1. 缩进规则适配：不同PDF的缩进可能用空格或制表符，需要根据实际文本调整line_indent的计算逻辑。
2. 特殊情况处理：如果页码是范围（如259-261），可以用str_split拆分成起始/结束页码，或保留字符串格式。
3. 科层级兼容：如果索引包含科→属→种→变种的层级，需要调整level的判断规则，增加科的层级标记。
4. 大小写统一：可以用str_to_lower()确保种加词和变种为小写，str_to_title()确保属/科首字母大写。

内容的提问来源于stack exchange，提问作者Anh