如何用R高效将PDF复制的幼猫数据转换为指定格式？

核心思路 #

放弃文本挖掘类工具（如tm包），改用正则表达式精准提取结构化字段，配合pdftools直接读取PDF纯文本，避开干扰符号的影响，快速定位需要的信息。

所需包安装 #

先安装并加载必要工具包：

install.packages(c("pdftools", "dplyr", "stringr", "openxlsx"))
library(pdftools)
library(dplyr)
library(stringr)
library(openxlsx)

步骤1：读取并清理PDF文本 #

# 读取PDF所有页面的文本内容
pdf_text_all <- pdf_text("2013 Cats.pdf") %>% 
  # 合并所有页面的文本
  paste(collapse = "\n") %>% 
  # 去除多余空格、换行和无意义干扰符号
  str_squish()

# 将文本分割为单条动物记录（以ID格式"A+数字"作为分割标记）
records <- str_split(pdf_text_all, "(?=A\\d+)") %>% 
  unlist() %>% 
  # 过滤分割后产生的空字符串
  discard(str_length(.) == 0)

步骤2：提取并转换目标字段 #

创建处理单条记录的函数，逐一提取所需信息：

process_record <- function(record) {
  # 1. 提取ID编号
  id <- str_extract(record, "A\\d+")
  
  # 2. 提取年龄并转换为天数（按每月30天计算）
  age_match <- str_match(record, "(\\d+)m\\s*(\\d+)d")
  age_days <- if (!is.na(age_match[1])) {
    as.numeric(age_match[2])*30 + as.numeric(age_match[3])
  } else {
    NA  # 处理无年龄信息的异常记录
  }
  
  # 3. 提取收容日期，拆分日/月/年
  date_match <- str_match(record, "(\\d+)/(\\d+)/(\\d+)")
  day_intake <- as.numeric(date_match[2])
  month_intake <- as.numeric(date_match[3])
  year_intake <- as.numeric(date_match[4])
  
  # 4. 提取性别（匹配M/F）
  sex <- str_extract(record, "\\b[MF]\\b")
  
  # 5. 提取收容类型（匹配时间后的目标词汇）
  intake_type <- str_extract(record, "\\d+:\\d+\\s*(?:AM|PM)\\s*(\\w+)") %>% 
    str_remove(".*\\s")  # 剔除前面的时间部分
  
  # 返回整理后的单条记录数据框
  tibble(
    ID_Number = id,
    Age_in_days = age_days,
    Day_of_intake = day_intake,
    Month_of_intake = month_intake,
    Year_of_intake = year_intake,
    Sex = sex,
    Intake_type = intake_type
  )
}

# 批量处理所有记录，合并为完整数据集
cat_data <- map_dfr(records, process_record)

步骤3：导出到Excel #

write.xlsx(cat_data, "幼猫收容数据汇总.xlsx", rowNames = FALSE)

微调说明 #

• 如果收容类型是多词格式（如Public Drop Off），可修改intake_type的正则为"\\d+:\\d+\\s*(?:AM|PM)\\s*([A-Za-z\\s]+?)\\s*(?:Yes|No)"，匹配到下一个干扰词前的完整内容。
• 若PDF存在特殊符号干扰，可在提取字段前添加str_remove_all(record, "[^A-Za-z0-9/\\s:]")过滤非必要符号。

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