如何用R提取多子文件夹PDF代码并转换为.ipynb格式

一、优化PDF文本提取，避免换行丢失 #

别直接用pdf_text()抽纯文本，改用pdf_data()提取结构化的行信息，能精准保留原PDF的换行和排版：

library(pdftools)
pdf_path <- "目标文件.pdf"
pdf_data <- pdf_data(pdf_path)

# 按页分组拼接每行内容，严格保留换行
txt_content <- lapply(pdf_data, function(page) {
  # 按y坐标分组，把同一行的文本拼起来
  lines <- split(page$text, page$y)
  sapply(lines, paste, collapse = " ")
}) %>% unlist() %>% paste(collapse = "\n")

# 保存时用UTF-8编码，避免乱码
writeLines(txt_content, "output.txt", useBytes = TRUE)

如果PDF里有代码块，pdf_data()能更好区分代码和普通文本，方便后续加markdown标记。

二、调整pandoc参数，解决转义和单元格合并问题 #

1. 消除括号前的反斜杠：pandoc默认会转义markdown特殊字符，加--no-escape参数关闭自动转义，同时指定输入为纯文本格式：

pandoc -s -f plain -t ipynb --no-escape input.txt -o output.ipynb

2. 拆分单元格：pandoc默认把纯文本全塞进一个markdown单元格，你需要在提取的txt里用---（三个短横线）作为单元格分隔符，代码块要包裹在```里（指定语言），比如：

这是第一部分说明文本

---

```r
# 这里是R代码块
print("转换测试")

这是第二部分说明文本

这样转换后会生成三个独立单元格：两个markdown，一个代码。

## 三、用R批量处理格式标记
如果要处理大量PDF，可以写个正则脚本自动识别代码块并添加标记，同时插入单元格分隔符：
```r
# 假设代码块以4个空格缩进或#开头，自动包裹R代码标记
txt_content <- gsub("(^ {4}.*$|^#.*$)", "```r\n\\1\n```", txt_content, perl = TRUE)
# 给标题（比如以#开头的行）后面加单元格分隔符
txt_content <- gsub("(^#.*$)", "\\1\n---", txt_content, perl = TRUE)

注意：不同PDF的代码格式不同，需要根据实际调整正则规则，比如Python代码就把r换成python。

四、绕开pandoc，直接用R生成ipynb #

.ipynb本质是JSON格式，直接用R构建结构能完全控制单元格类型和内容，彻底避免pandoc的格式问题：

library(jsonlite)

# 定义单元格列表，按需添加更多单元格
cells <- list(
  list(
    cell_type = "markdown",
    metadata = list(),
    source = c("从PDF提取的说明文本")
  ),
  list(
    cell_type = "code",
    metadata = list(),
    source = c("# 提取的R代码", "x <- 1:10", "mean(x)")
  )
)

# 构建完整的notebook结构
notebook <- list(
  cells = cells,
  metadata = list(
    kernelspec = list(
      display_name = "R",
      language = "r",
      name = "ir"
    ),
    language_info = list(
      codemirror_mode = "r",
      file_extension = ".r",
      mimetype = "text/x-r-source",
      name = "R",
      pygments_lexer = "r",
      version = "4.3.0"
    )
  ),
  nbformat = 4,
  nbformat_minor = 5
)

# 保存为.ipynb文件
write_json(notebook, "output.ipynb", auto_unbox = TRUE, pretty = TRUE)

这种方法适合批量处理时的定制化需求，完全可控。

内容的提问来源于stack exchange，提问作者Pål Bjartan