使用R提取存在换行问题的PDF中经营活动净现金流量数据

方案1：手动拼接文本处理换行问题 #

先把PDF转成文本后，处理换行导致的文本拆分问题，精准定位目标数值：

library(pdftools)
library(stringr)

# 读取PDF并处理文本行
pdf_content <- pdf_text("你的PDF文件路径.pdf")
text_lines <- unlist(strsplit(pdf_content, "\n"))
# 清理空行和多余空格
text_lines <- trimws(text_lines)
text_lines <- text_lines[text_lines != ""]

target_label <- "Net cash from / (used in) operating activities"
extracted_nums <- c()

# 遍历每一行找目标标签
for (line_idx in seq_along(text_lines)) {
  if (grepl(target_label, text_lines[line_idx])) {
    # 先从当前行提取数值
    num <- str_extract(text_lines[line_idx], "\\([0-9,]+\\)|[0-9,]+")
    if (!is.na(num)) {
      extracted_nums <- c(extracted_nums, num)
    } else {
      # 当前行没找到就取下一行的数值（根据实际情况也可以查上一行）
      num <- str_extract(text_lines[line_idx + 1], "\\([0-9,]+\\)|[0-9,]+")
      if (!is.na(num)) {
        extracted_nums <- c(extracted_nums, num)
      }
    }
  }
}

# 输出结果
print(extracted_nums)

• 核心逻辑：用grepl定位目标文本所在行，再用正则匹配带括号的数值格式，同时覆盖数值和文本同行、换行到下一行的情况。

方案2：用专门的表格提取工具绕开文本换行问题 #

如果pdftools的文本拆分太乱，试试tabulizer直接提取表格（需要提前安装Java环境）：

library(tabulizer)

target_label <- "Net cash from / (used in) operating activities"
extracted_nums <- c()

# 提取PDF里的所有表格
all_tables <- extract_tables("你的PDF文件路径.pdf")

# 遍历表格找目标行
for (table in all_tables) {
  # 找目标标签所在的行
  target_row <- which(grepl(target_label, table[, 1]))
  if (length(target_row) > 0) {
    # 假设数值在表格最后一列，可根据实际调整列索引
    num <- table[target_row, ncol(table)]
    extracted_nums <- c(extracted_nums, num)
  }
}

print(extracted_nums)

• 注意：如果表格位置特殊，可以用extract_tables的area参数指定表格的坐标范围，提升提取准确率。

实用提示 #

• 正则\\([0-9,]+\\)|[0-9,]+能精准匹配带括号的负数（比如(3,785)）和普通正数（比如1,258）
• 运行前可以先打印text_lines看看文本的实际换行情况，再调整行匹配的逻辑
• 如果PDF有多页，记得循环处理每一页的内容

内容的提问来源于stack exchange，提问作者dsafdsfsdf777sdfh