使用R的Tabulizer提取PDF表格转Data Frame遇行数量不一致问题求助

核心思路 #

通过统一所有子列表的长度，用NA填充缺失部分，再转换为Data Frame，避免因行列数不一致报错。

具体步骤与代码 #

1. 提取第二页的表格列表

   tables_page2 <- extract_tables(proform, pages = 2)
   

2. 确定统一长度
   找到所有子列表中最长的元素个数，作为后续填充的目标长度：

   max_len <- max(sapply(tables_page2, length))
   

3. 填充NA并转换为Data Frame
   遍历每个子列表，将其长度补至max_len（缺失位置用NA填充），再合并为Data Frame：

   # 填充NA至统一长度
   filled_tables <- lapply(tables_page2, function(x) {
     length(x) <- max_len
     x
   })
   # 转换为Data Frame
   df_page2 <- as.data.frame(do.call(cbind, filled_tables), stringsAsFactors = FALSE)
   

特殊情况处理 #

如果提取的子列表是行数据（每个子列表对应表格的一行，列数不一致），则调整为按行填充：

# 找到最多列数
max_cols <- max(sapply(tables_page2, length))
# 每行补NA至统一列数
filled_rows <- lapply(tables_page2, function(row) {
  c(row, rep(NA, max_cols - length(row)))
})
# 合并为Data Frame
df_page2 <- as.data.frame(do.call(rbind, filled_rows), stringsAsFactors = FALSE)

内容的提问来源于stack exchange，提问作者Humberto R