如何基于R语言pdftools包从多份PDF文件的第一页提取以指定单词/字符开头的特定行

我来帮你扩展现有的PDF提取功能，实现从第一页内容里筛选出指定前缀开头的行。这里给你一套完整的可行方案：

核心思路 #

1. 保留你原有的pdftools提取逻辑，获取每个PDF第一页的所有行
2. 定义预目标前缀列表（你可以根据需求任意添加或修改）
3. 对每一页的行数据，筛选出以目标前缀中任意一个开头的行

完整代码实现 #

# 加载必要包
library(pdftools)

# 1. 定义你需要提取的目标前缀（至少5个，可按需修改）
target_prefixes <- c(
  "Source Program:",
  "Project ID:",
  "Author:",
  "Created Date:",
  "Version:"
)

# 2. 先获取目标目录下的所有PDF文件路径（如果还没定义files的话）
# files <- list.files(path = "你的目标目录路径", pattern = "\\.pdf$", full.names = TRUE)

# 3. 扩展提取逻辑，加入筛选步骤
result <- lapply(files, function(x) {
  # 提取PDF第一页的所有行
  page_lines <- strsplit(pdf_text(x), "\n")[[1]]
  # 筛选出以目标前缀开头的行
  filtered_lines <- page_lines[startsWith(page_lines, target_prefixes)]
  # 返回筛选后的结果（如果某页没有匹配行，会返回空向量）
  return(filtered_lines)
})

# 可选：给结果命名，对应每个PDF文件名，方便后续查看
names(result) <- basename(files)

代码细节说明 #

• target_prefixes：这是自定义的前缀集合，把需要提取的行的开头都放这里即可，比如你提到的Source Program:，还有其他类似Project ID:这类标识行都可以自由添加
• startsWith()：这个函数专门用来检查字符串是否以指定前缀开头，比通用正则匹配grepl()效率更高，完全贴合你的需求场景
• 结果结构：最终result是一个列表，每个元素对应一个PDF文件筛选后的目标行；如果某PDF第一页没有匹配到任何目标前缀的行，对应元素会是空向量

示例输出 #

假设某个PDF第一页包含这些内容：

Source Program: lafaf_sfafatfga.sas
Project ID: PROJ-2024-001
Author: John Doe
Created Date: 2024-05-20
Version: 1.0
Some other irrelevant line here

那么这个PDF对应的结果元素会是：

[1] "Source Program: lafaf_sfafatfga.sas" "Project ID: PROJ-2024-001"          
[3] "Author: John Doe"                    "Created Date: 2024-05-20"           
[5] "Version: 1.0"

内容的提问来源于stack exchange，提问作者Bharath