如何在R中使用pdftools按块而非按行读取PDF文件？

方法1：通过文本坐标拆分列（pdftools进阶用法） #

pdftools的*pdf_data()*函数能提取每个文本块的坐标信息，这是区分多列的核心：

1. 读取PDF的结构化数据：

library(pdftools)
# 替换为你的PDF路径
pdf_content <- pdf_data("multicolumn_file.pdf")

2. 按x坐标划分列边界：
   以两列PDF为例，先计算x坐标的分界点（比如中位数）：

# 取第一页数据演示，多页可循环处理
page_data <- pdf_content[[1]]
# 计算两列的x轴分界值
split_x <- median(page_data$x)
# 拆分左右列
left_col <- page_data[page_data$x < split_x, ]
right_col <- page_data[page_data$x >= split_x, ]

3. 按y坐标排序拼接文本：
   同一行的文本y坐标相近，按y分组拼接即可还原整行内容：

library(dplyr)
# 处理左列
left_text <- left_col %>%
  group_by(y) %>%
  arrange(x) %>%
  summarise(content = paste(text, collapse = " ")) %>%
  pull(content)

# 处理右列
right_text <- right_col %>%
  group_by(y) %>%
  arrange(x) %>%
  summarise(content = paste(text, collapse = " ")) %>%
  pull(content)

# 合并为规整的两列数据框
result <- data.frame(left_column = left_text, right_column = right_text)

方法2：用tabulizer自动识别列结构 #

如果PDF布局规整，tabulizer包可以直接提取结构化的列数据：

library(tabulizer)
# 提取所有页面的列数据，输出为数据框
col_data <- extract_tables("multicolumn_file.pdf", output = "data.frame")
# 合并多页结果
final_result <- do.call(rbind, col_data)

注意：该包依赖Java环境，需提前安装JRE。

方法3：预处理PDF转为单列 #

若上述方法效果不佳，可先将多列PDF转为单列布局（比如用本地PDF编辑工具或pdftk命令行工具调整），再用pdftools读取，避免列混乱问题。

内容的提问来源于stack exchange，提问作者Grec001