R语言：嵌套长度不一的多列表转多数据帧时报错求助

错误原因分析 #

• 部分PDF未提取到有效表格（返回空列表），循环时索引访问了不存在的元素
• 全局环境混入非目标对象，整合嵌套列表时引入无效元素
• 双层循环的索引逻辑未匹配实际列表长度

修正后的完整代码 #

第一步：统一存储PDF提取结果（避免全局环境污染）

library(tabulizer)
library(tools)

# 替换为你的PDF文件夹路径
pdf_dir <- "指定的PDF文件夹路径"
# 获取所有PDF文件的完整路径
pdf_files <- list.files(pdf_dir, pattern = "\\.pdf$", full.names = TRUE)

# 用单个大列表统一存储所有提取结果
all_pdf_tables <- list()

for (file in pdf_files) {
  # 提取无后缀的文件名
  file_id <- file_path_sans_ext(basename(file))
  # 提取表格，优先输出为data.frame格式
  extracted_tables <- extract_tables(file, output = "data.frame")
  
  # 只保留非空的提取结果，跳过无表格的PDF
  if (length(extracted_tables) > 0) {
    all_pdf_tables[[file_id]] <- extracted_tables
  } else {
    warning(paste("文件", file_id, "未提取到表格，已跳过"))
  }
}

第二步：将嵌套列表转换为数据帧列表（适配不同场景）

场景1：每个PDF的所有表格结构一致，合并为单个数据帧

final_dataframes <- list()

for (name in names(all_pdf_tables)) {
  current_tables <- all_pdf_tables[[name]]
  # 合并当前PDF下的所有表格
  combined_df <- do.call(rbind, current_tables)
  final_dataframes[[name]] <- combined_df
}

场景2：每个PDF仅提取到一个表格，直接提取为数据帧

# 提取每个子列表的第一个表格（确保下标不越界）
final_dataframes <- lapply(all_pdf_tables, function(tbl_list) {
  if (length(tbl_list) >= 1) tbl_list[[1]] else NULL
})

# 移除空元素
final_dataframes <- Filter(Negate(is.null), final_dataframes)

关键改进点 #

• 用单个列表all_pdf_tables统一管理结果，避免全局环境混乱
• 添加空值判断，跳过无表格的PDF，从根源避免下标越界
• 循环逻辑基于实际列表长度操作，不再依赖固定索引范围

内容的提问来源于stack exchange，提问作者sap6370