如何在R中逐行读取PDF？解决pdftools包read_pdf()异常问题

以下是几种可行的解决思路，按优先级排序：

• 显式指定layout参数
  pdftools的read_pdf()函数中，layout = TRUE参数会保留PDF的原始文本布局，将内容按行拆分输出。如果近期包版本更新导致默认行为变化，显式设置该参数即可恢复逐行读取：

  library(pdftools)
  # 强制启用布局保留模式
  pdf_data <- read_pdf("target_file.pdf", layout = TRUE)
  

• 回退到稳定版本
  如果是pdftools包更新后引入的行为变更，可回退到之前能正常工作的版本。以版本3.3.0为例（替换为你之前使用的版本号）：

  # 卸载当前包
  remove.packages("pdftools")
  # 安装指定旧版本
  install.packages("https://cran.r-project.org/src/contrib/Archive/pdftools/pdftools_3.3.0.tar.gz", repos = NULL, type = "source")
  

  注意：安装源码包可能需要系统安装poppler依赖（如Linux的libpoppler-dev、macOS的poppler）。

• 手动拆分整页文本
  如果上述方法无效，可先用pdf_text()获取整页文本，再按换行符手动拆分：

  library(pdftools)
  # 获取每一页的整段文本
  raw_pages <- pdf_text("target_file.pdf")
  # 拆分每一页为行，过滤空行
  line_by_line <- lapply(raw_pages, function(page) {
    lines <- strsplit(page, "\n")[[1]]
    lines[nchar(lines) > 0]
  })
  

内容的提问来源于stack exchange，提问作者Dan G