如何将PDF提取的新闻稿列表转为含ID、日期、文本的R数据框

• 先将str_extract_all返回的嵌套列表扁平化，得到单条新闻稿的向量：

# 替换成你实际存储提取结果的列表对象名
news_raw <- unlist(your_extracted_list)

• 用正则分组匹配拆分字段：
  借助stringr包的str_match，一次性捕获OTS编号、正文、日期三个部分：

library(stringr)

# 正则分组分别对应id、正文、日期
match_result <- str_match(news_raw, "(OTS\\d{4})([\\s\\S]*?)(\\d{6} [A-Za-z]{3} \\d{2})")

# 转换为数据框并命名字段
news_df <- data.frame(
  id = match_result[,2],
  date = match_result[,4],
  text = match_result[,3],
  stringsAsFactors = FALSE
)

• 可选的清洗优化：
  • 清理正文里的多余换行和空格：

  news_df$text <- str_squish(news_df$text)
  

  • 把日期转为标准日期格式（根据实际日期格式调整format参数）：

  # 示例：适配"150324 MAR 24"这类格式的日期转换
  news_df$date <- as.Date(news_df$date, format = "%d%m%y %b %y")
  

内容的提问来源于stack exchange，提问作者feder80