如何解析带层级条款、表格的PDF规范文档导出为结构化电子表格

• 数据结构转换完全错误：pdf_text() 读取PDF后返回的是每页文本为一个元素的字符向量，你对整个返回值做strsplit(split="\n")得到的是按页拆分的行列表，直接调用as.character()会把整个列表对象转成带R内部结构标记（比如c(、元素索引）的乱码字符串，根本不是可用于正则匹配的原始文档文本，匹配对象从根源上就错了。
• 正则锚点逻辑不成立：你写的正则用了^/$行首行尾锚点，但as.character()处理后得到的是把所有页面、所有行拼接成的超长单字符串，默认模式下^只会匹配整个长字符串的最开头，$只会匹配最结尾，自然抓不到中间的条款内容。
• 规则选型不符合场景：现有正则没有考虑编号前后可能存在的缩进空格、折行断句、编号后多空格等实际排版情况，就算数据结构正确，碰到非理想排版的内容也会匹配失效。另外你尝试用的零宽后行断言本身就不适合这个场景——大部分正则引擎要求后行断言匹配的文本长度固定，而你的条款编号长度从2位（如1.）到6位以上（如1.2.3.4.）不等，本来就没法支持可变长度的后行断言。

不要死磕纯文本提取+正则的路线，pdftools这类纯文本提取工具会把表格、图注拆成零散的无坐标文本行，根本没法靠正则区分表格内容和正文条款，500页的文档靠调正则碰运气效率极低。推荐按以下路径实现，整体准确率可以到95%以上，剩下少量内容手动校对的总耗时不会超过3小时，比全手动整理效率高至少10倍：

核心实现逻辑 #

• 第一步：换带布局识别的PDF解析工具
  优先选支持文本块坐标识别、表格区域自动识别的工具，不要用纯文本提取类包：
  • 如果坚持用R环境，可以用tabulizer包，它基于PDFBox开发，可以提取每个文本块的坐标、自动识别表格区域，把表格和正文分开存储；
  • 更推荐用Python的pdfplumber库，它的布局识别、表格提取精度比R生态同类工具高很多，装个轻量Python环境跑脚本导出csv，再拿回R做后续处理完全不麻烦。
• 第二步：正文条款拆分
  1. 先把识别为表格、图片、图注、页眉页脚的内容单独过滤存储，不要和正文文本混排；
  2. 把剩下的正文文本块按页面从上到下、同页从左到右的阅读顺序排序；
  3. 用正则^\\s*(\\d+(?:\\.\\d+)*\\.)\\s+匹配行首的条款编号，识别到编号的行作为新条款的起点，后续连续的、开头没有匹配到编号的文本块，全部拼接到当前条款的内容字段里，自动处理跨折行、跨页的长条款。
• 第三步：表格/图示归属
  提取到的表格、图示，根据它在页面上的Y轴坐标，匹配到位于它上方、距离最近的条款编号，把表格转成markdown文本后拼接到对应条款的内容字段即可，和你期望的输出格式完全兼容。

可直接运行的R版基础代码（纯文本场景） #

这个版本修正了你原有代码的逻辑错误，可以先跑通纯文本条款的提取，后续再补表格识别的逻辑：

library(pdftools)
library(dplyr)
library(stringr)
library(purrr)
library(tidyr)

# 逐页读取、逐行拆分，保留页码信息
specDoc <- pdf_text("Spec Doc.pdf") |> 
  strsplit(split = "\n") |> 
  imap_dfr(~ tibble(
    page = .y,
    line_raw = str_trim(.x)
  )) |> 
  # 过滤空行，可根据文档实际情况加规则过滤固定的页眉页脚
  filter(line_raw != "")

# 匹配条款编号、向下填充归属、拼接内容
clause_df <- specDoc |> 
  mutate(
    # 识别条款开头行
    is_clause_start = str_detect(line_raw, "^(\\d+(?:\\.\\d+)*\\.)\\s+"),
    # 提取条款号
    clause_no = ifelse(
      is_clause_start,
      str_extract(line_raw, "^(\\d+(?:\\.\\d+)*\\.)"),
      NA_character_
    ),
    # 去掉行首的编号，保留纯内容
    line_content = ifelse(
      is_clause_start,
      str_remove(line_raw, "^(\\d+(?:\\.\\d+)*\\.)\\s+"),
      line_raw
    )
  ) |> 
  # 向下填充条款号，把后续无编号的行归属到上一个条款
  fill(clause_no, .direction = "down") |> 
  # 按条款号分组拼接完整内容
  group_by(clause_no) |> 
  summarise(
    `Clause Para` = str_c(line_content, collapse = " "),
    .groups = "drop"
  ) |> 
  rename(`Clause No.` = clause_no)

# 导出为csv可直接用Excel打开
write.csv(clause_df, "extracted_clause.csv", row.names = FALSE, fileEncoding = "UTF-8")

注意：这个纯文本版本无法区分表格和正文，碰到表格会把表格行当成普通文本拼到条款内容里，要处理表格必须更换带布局识别的解析工具。

实用避坑提示 #

• 正则测试时注意引擎差异：regex101默认用PCRE正则引擎，而R的stringr用的是ICU引擎，两者在多行模式、断言支持上有细微差异，测试规则时要选对对应引擎，避免本地运行和测试结果不一致。
• 不要追求100%自动解析：500页的招投标文档难免有排版不规范的地方，自动提取完成后花1-2小时校对一遍编号错位、表格归属错误的条目，比花一两周调正则追求完美解析的性价比高得多，毕竟投标工作的时间优先级远高于工具完美度。

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