R处理PDF多列表格separate分列后数据错乱如何还原原表

你当前的写法从根上就不适合提取PDF表格：pdf_text()只会返回按阅读顺序拼接的纯文本流，完全丢失原表格的列坐标、单元格跨行、跨页排版信息。你后续直接按换行拆行、用separate()按空白拆列的逻辑，会把单元格内部的空格、换行都当成分隔符，必然出现列错位、内容截断、数据丢失的问题，靠调正则根本补不回来位置信息的缺失。

方法1：用专用表格提取包直接识别（准确率最高，代码量最少） #

优先用tabulizer包，它底层基于Tabula PDF表格提取引擎，能自动识别表格线、列边界，不需要手动写拆分规则。如果自动识别有偏差，手动传列坐标就能100%对齐。

# 加载依赖
library(tabulizer)
library(tidyverse)

mintz_file = "https://www.mintz.com/sites/default/files/media/documents/2019-02-08/State%20Legislation%20on%20Biosimilars.pdf"

# 提取2-23页的表格，针对带线框的规则表格用lattice方法识别率更高
raw_tables <- extract_tables(
  file = mintz_file,
  pages = 2:23,
  method = "lattice",
  output = "data.frame"
)

# 合并跨页的表格，清理重复表头、空行
final_df <- bind_rows(raw_tables) %>%
  filter(trimws(as.character(State)) != "") %>%
  distinct()

如果自动识别出现列错位，先运行locate_areas(mintz_file, pages=2)交互点选表格范围和列边界，把得到的坐标参数传入extract_tables的area和columns参数即可，不需要反复调拆分逻辑。
注：这个包依赖Java运行环境，如果你不想装Java，就用下面的方法。

方法2：基于字符坐标手动拆分（兼容pdftools，不需要额外依赖） #

用pdf_data()代替pdf_text()，这个函数会返回页面内每一个字符的x/y轴坐标、字号信息，你可以直接根据字符位置找列间隙，完全不需要靠正则猜分割点。

library(pdftools)
library(tidyverse)

mintz_file = "https://www.mintz.com/sites/default/files/media/documents/2019-02-08/State%20Legislation%20on%20Biosimilars.pdf"

# 提取2-23页所有字符的坐标数据
raw_chars <- pdf_data(mintz_file)[2:23]

# 第一步：计算全局列分割点：统计所有字符的x坐标分布，字符间隔大于20像素的位置就是列间隙
all_x <- map_dfr(raw_chars, ~.x) %>% pull(x)
x_gaps <- diff(sort(unique(all_x)))
col_breaks <- c(0, sort(unique(all_x))[which(x_gaps > 20)], 612) # 612是标准Letter页面宽度

# 第二步：逐页按坐标拼接单元格内容
final_df <- map_dfr(raw_chars, function(page){
  page %>%
    # 给每个字符匹配所属列
    mutate(col_id = cut(x, breaks = col_breaks, 
                        labels = c("idx","State","Substitution_Requirements",
                                   "Pharmacy_Notification_Requirements","Recordkeeping_Requirements"))) %>%
    # 同一行（y坐标相同）同一列的字符合并为单元格文本
    group_by(y, col_id) %>%
    summarise(cell_text = paste(text, collapse = " "), .groups = "drop") %>%
    # 转成宽表格式
    pivot_wider(names_from = col_id, values_from = cell_text) %>%
    arrange(y)
}) %>%
  # 清理无关的序号列、空行、跨页重复表头
  select(-y, -idx) %>%
  filter(trimws(as.character(State)) != "") %>%
  distinct()

• 直接按\n拆分文本，会把单元格内部的换行误判为行分隔，导致同一个单元格的内容被拆成多行
• 调用separate()时没有指定明确分隔符，默认按任意空白拆分，只要单元格内容里包含空格就会被错拆到不同列
• 用硬编码删前2行的逻辑鲁棒性极差，跨页出现的页眉、页脚、重复表头都会混入数据，无法统一清理

内容的提问来源于stack exchange，提问作者bandcar