R基础提取PDF文本后，正则匹配指定字符串报错求助

问题诊断 #

你的代码报错核心原因有两个：

1. R基础正则默认不支持反向预查（(?<=...)）语法，必须通过perl=TRUE开启Perl兼容模式；
2. 原正则仅匹配单个单词字符\\w，无法捕获完整的目标字符串。

修正方案 #

方案1：反向预查+完整单词匹配（需Perl模式） #

这个方案贴合你原本的思路，通过反向预查定位换行+空格的位置，再匹配其后的完整单词：

texte <- "What I don't want\n       WHATIWANT\n OtherStuff I don't want \n I don't want this either."
# 匹配换行+任意空格后的连续单词字符
regex <- "(?<=\\n\\s+)\\w+"
# 必须开启perl=TRUE才能使用反向预查
debut <- gregexpr(regex, texte, perl = TRUE)
# 提取匹配到的内容
regmatches(texte, debut)

运行结果：[1] "WHATIWANT" "OtherStuff" "I"

方案2：无预查的捕获组方案（纯基础R） #

如果不想依赖Perl正则，可直接用捕获组定位目标内容，再剥离前缀：

texte <- "What I don't want\n       WHATIWANT\n OtherStuff I don't want \n I don't want this either."
# 匹配换行+空格+目标单词，用括号捕获目标部分
regex <- "\\n\\s+(\\w+)"
debut <- gregexpr(regex, texte)
# 提取捕获的内容
sapply(regmatches(texte, debut)[[1]], function(x) sub("^\\n\\s+", "", x))

同样能得到和方案1一致的结果。

方案3：提取换行后整行内容（若需完整行） #

如果你的需求是获取换行+空格后的整行内容（而非仅第一个单词），调整正则即可：

regex <- "(?<=\\n\\s+).*?(?=\\n|$)"
debut <- gregexpr(regex, texte, perl = TRUE)
regmatches(texte, debut)

运行结果：[1] "WHATIWANT" "OtherStuff I don't want " "I don't want this either."

补充说明 #

• 若目标字符串包含非单词字符（如标点、特殊符号），把正则中的\\w+替换为[^\\n]+，即可匹配任意非换行的连续字符；
• 处理多PDF时，可将上述逻辑封装为函数，循环读取每个PDF提取的文本后批量处理。

内容的提问来源于stack exchange，提问作者Matthieu Gousseff