使用R提取无元数据PDF文件标题的问题求助

• 原代码的问题：

  1. 仅处理文本的第一行（text[1]），无法覆盖标题占1-3行的场景；
  2. 正则表达式^(\\s*)([A-Z\\s]+)\\s+.*会在遇到第一个非大写/非空格字符时停止匹配，若标题行内有连续空格或后续内容混入大写字符，会导致提取不完整。

• 修正后的方案：
  先筛选出开头连续的全大写行（最多3行），再合并并清理多余空格：

# 假设text是从PDF提取的每行文本向量（如pdftools::pdf_text()拆分后）
# 定义函数判断是否为标题行：去除首尾空格后仅含大写字母和空格
is_title_line <- function(line) {
  trimmed <- trimws(line)
  nchar(trimmed) == 0 || grepl("^[A-Z\\s]+$", trimmed)
}

# 提取开头连续的标题行（最多3行），过滤空行
title_lines <- text[sapply(text, is_title_line)][1:3]
title_lines <- title_lines[nchar(trimws(title_lines)) > 0]

# 合并标题行并清理多余空格
titulo <- gsub("\\s+", " ", paste(title_lines, collapse = " "))
titulo <- trimws(titulo)

• 补充说明：
  如果标题中包含标点（如连字符、逗号等），可以修改正则表达式的匹配规则，比如将^[A-Z\\s]+$改为^[A-Z\\s\\-\\.,:;!?]+$，覆盖常见标题标点。

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