如何在R中将图片识别后的文本转换为data frame？

步骤1：拆分识别文本为行向量 #

识别出的text1是单个长字符，先按换行符拆分成独立行并过滤空行：

library(stringr)
# 拆分文本为行
text_lines <- str_split(text1, "\\n")[[1]]
# 移除空行
text_lines <- text_lines[text_lines != ""]

步骤2：清洗表头并定义列名 #

识别出的表头带有干扰符号，需清理并修正识别错误的列名（根据原始表格实际列名调整）：

# 提取原始表头行并清理干扰符号
header_raw <- text_lines[1]
clean_header <- str_replace_all(header_raw, "[*~_x>]", "") %>% 
  str_squish() %>% 
  str_split(" ") %>% 
  unlist()
# 手动修正识别偏差的列名（示例）
clean_header <- c("teamID", "yearID", "NumSP", "TGS", "playerID", "G", "GS", "W", "L", "ERA")

步骤3：清洗数据行并转换为矩阵 #

处理数据行，移除序号、修正识别错误字符，再拆分列：

# 提取数据行（跳过表头行）
data_lines <- text_lines[-1]
# 清理每行：移除开头序号、替换识别错误字符（示例将ca/ae替换为0，需根据实际调整）、压缩多余空格
clean_data_lines <- str_replace_all(data_lines, "^\\d+ ", "") %>% 
  str_replace_all("ca|ae", "0") %>% 
  str_squish()
# 拆分每行成列并转为矩阵
data_matrix <- do.call(rbind, str_split(clean_data_lines, " "))

步骤4：组合为Data Frame并修正数据类型 #

# 转换为data frame
df <- as.data.frame(data_matrix, stringsAsFactors = FALSE)
# 设置列名
colnames(df) <- clean_header
# 将数值型列转换为对应类型（根据实际列调整）
num_cols <- c("yearID", "NumSP", "G", "GS", "W", "L", "ERA")
df[num_cols] <- lapply(df[num_cols], as.numeric)

关键提示 #

• 识别错误的字符（如示例中的ca、ae）必须对照原始图片确认真实值，这是保证数据准确的核心步骤。
• 若表头识别偏差过大，建议直接手动定义列名，避免清洗误差。

内容的提问来源于stack exchange，提问作者Miguel Angel Acosta Chinchilla