如何用R的pdftools和stringr提取多PDF首页作者名及解决循环报错

报错含义解析 #

你遇到的arguments imply differing number of rows: 50, 60, 11错误，本质是合并数据框时行不匹配：

• 原代码中pdf_text()会把PDF所有页面的文本按页拆分，strsplit("\n")又把每页文本拆成多行，最终document_text是包含所有行的列表
• 循环里每个PDF生成的document数据框行数等于该PDF的总行数，不同PDF总行数不同，用rbind合并时，列对应的行数无法对齐，因此触发报错

需求适配的修正代码 #

你的核心需求是提取每个PDF第一页中带指定前缀的作者行，以下是修正后的代码（假设作者名前缀为"作者："，可根据实际情况修改）：

# 加载必要包
library(pdftools)

# 获取文件夹内所有PDF文件名
pdf_files <- list.files("folder", pattern = "\\.pdf$", full.names = TRUE)
pdf_titles <- gsub("\\.pdf$", "", basename(pdf_files))

# 初始化结果列表，避免循环中反复rbind的效率问题
result_list <- list()

for (i in seq_along(pdf_files)) {
  print(i)
  # 提取PDF第一页文本，拆分成行
  first_page_lines <- strsplit(pdf_text(pdf_files[i])[1], "\n")[[1]]
  # 筛选带指定前缀的行（这里替换成你的实际前缀）
  author_line <- first_page_lines[grepl("^作者：", first_page_lines)]
  # 处理无匹配的情况（避免空值）
  if (length(author_line) == 0) author_line <- NA_character_
  
  # 将当前PDF的标题和作者行存入列表
  result_list[[i]] <- data.frame(
    "pdf title" = pdf_titles[i],
    "text" = author_line,
    stringsAsFactors = FALSE
  )
}

# 合并所有结果为一个数据框
text_df <- do.call(rbind, result_list)

实现需求的关键要点 #

• 只取第一页：pdf_text()返回的向量中，每个元素对应一页文本，[1]即可提取第一页
• 精准筛选作者行：用grepl()匹配作者名的固定前缀，确保只提取目标行
• 避免行不匹配：每个PDF只生成一行数据（即使无匹配也用NA填充），保证合并时行数一致
• 效率优化：先将结果存入列表，最后一次性合并，比循环中反复rbind更高效

内容的提问来源于stack exchange，提问作者user6542495