如何用R批量将PDF转为文本并整理至DataFrame？

原代码问题分析 #

你的代码存在几个关键问题：

• pdftools::pdf_text() 必须传入具体的文件路径参数，你未指定该参数
• sapply(files, x) 用法错误，sapply的第一个参数是待处理向量，第二个是处理函数，你完全搞反了参数逻辑
• 函数定义的参数x未被正确调用

正确实现代码 #

先确保安装并加载所需工具包：

# 首次运行需安装包
install.packages(c("pdftools", "dplyr"))

# 加载包
library(pdftools)
library(dplyr)

执行批量提取并生成DataFrame：

# 获取目标路径下的所有PDF文件（用正则精准匹配后缀）
files <- list.files(path = "my path", pattern = "\\.pdf$", full.names = TRUE) 

# 定义PDF文本提取函数
extract_pdf_text <- function(file_path) {
  # 合并PDF所有页面的文本内容
  full_text <- pdf_text(file_path) %>% paste(collapse = "\n")
  # 返回文件名与对应文本的列表
  list(file_name = basename(file_path), text_content = full_text)
}

# 批量处理所有PDF文件
pdf_processed <- lapply(files, extract_pdf_text)

# 转换为结构化DataFrame
pdf_df <- bind_rows(pdf_processed)

提取特定语句扩展 #

如果需要从文本中筛选特定语句，可在函数中加入匹配逻辑，比如提取包含指定关键词的句子：

extract_target_content <- function(file_path) {
  full_text <- pdf_text(file_path) %>% paste(collapse = "\n")
  # 示例：提取包含"目标关键词"的完整句子（可根据需求调整正则规则）
  target_content <- stringr::str_extract_all(full_text, ".*目标关键词.*\\.")[[1]] %>% paste(collapse = "\n")
  list(file_name = basename(file_path), target_content = target_content)
}

# 批量提取特定语句并生成DataFrame
target_df <- lapply(files, extract_target_content) %>% bind_rows()

内容的提问来源于stack exchange，提问作者user19192947