使用pdftools批量加载PDF至R时触发‘Invalid Font Weight’错误

问题核心 #

使用R爬取CaixaBank研究报告的PDF文件后，单独读取任意单个PDF无异常，但批量加载为文本时触发「PDF error: Invalid Font Weight」错误。

错误根源 #

批量处理代码中存在关键逻辑错误：

• 获取文件列表后，错误执行了strsplit(pdf_files_caixa, "\\s+")，将原本的字符向量拆分为嵌套列表，导致后续循环或sapply向pdf_text传递字符向量而非单个文件路径，这才是批量报错的直接原因（并非PDF字体本身问题，否则单个读取也会失败）。

修正方案 #

步骤1：修正文件列表获取代码 #

删除多余的strsplit操作，直接保留list.files的原生结果，同时修正正则匹配避免误判：

# 加载依赖包
library(tidyverse)
library(pdftools)

# 目标文件夹路径
directory_caixa <- "C:/TFM/caixa"

# 获取文件夹内所有PDF的完整路径（转义.避免匹配任意字符）
pdf_files_caixa <- list.files(directory_caixa, pattern = "\\.pdf$", full.names = TRUE)

步骤2：带错误捕获的批量读取方式 #

即使修正文件列表，个别PDF仍可能存在字体异常，添加错误捕获可避免批量操作中断，同时记录问题文件：

方式一：循环读取（保留全部记录）

text_caixa <- list()

for (i in seq_along(pdf_files_caixa)) {
  file_path <- pdf_files_caixa[i]
  tryCatch({
    # 读取PDF文本
    text <- pdftools::pdf_text(file_path)
    text_caixa[[i]] <- text
    cat(paste0("读取成功: ", basename(file_path), "\n"))
  }, error = function(e) {
    # 捕获错误并标记
    cat(paste0("读取失败 ", basename(file_path), ": ", e$message, "\n"))
    text_caixa[[i]] <- NA
  })
}

方式二：生成数据框（自动过滤失败记录）

# 创建包含文件路径和文本的数据框
text_caixa <- tibble(
  Document = pdf_files_caixa,
  text = sapply(pdf_files_caixa, function(x) {
    tryCatch({
      paste0(pdf_text(x), collapse = ' ')
    }, error = function(e) {
      warning(paste0("读取失败: ", basename(x), " - ", e$message))
      NA_character_
    })
  })
)

# 过滤读取失败的记录
text_caixa_clean <- text_caixa %>% filter(!is.na(text))

补充说明 #

• 单个读取正常的原因：单独读取时传递的是单个文件路径，即使某文件有字体问题也仅影响当前操作；批量处理时因路径格式错误，pdf_text批量处理时遇到异常会直接中断整个流程。
• 若确有PDF存在字体损坏，可尝试用pdftools::pdf_convert转成图片后再OCR提取文本，这是备选方案，优先修正路径格式问题。

内容的提问来源于stack exchange，提问作者DPedro