R语言使用pdftools提取PDF表格时如何自动定位目标页面

核心思路 #

pdf_data()返回的列表中每个元素对应单页PDF的内容，每个页面元素是data.frame格式，其中text列存储该页所有识别出的文本片段。我们只需要遍历所有页面的文本内容，匹配目标字符串即可自动定位页面下标，无需手动指定页码。

完整实现代码 #

install.packages("pdftools")
library(pdftools)

# 读取PDF全页内容
report <- pdftools::pdf_data("https://hypo.org/app/uploads/sites/2/2021/11/HYPOSTAT-2021_vdef.pdf")

# 定义目标匹配字符串
target_keyword <- "Change in Nominal house price"

# 自动定位包含目标字符串的页面下标
# base R实现，无需额外依赖包
matched_index <- which(sapply(report, function(page) {
  # 拼接当前页所有文本为完整字符串
  full_page_text <- paste(page$text, collapse = " ")
  # 匹配目标字符串，fixed=TRUE表示按普通字符串匹配不使用正则
  grepl(target_keyword, full_page_text, fixed = TRUE, ignore.case = FALSE)
}))

# 提取目标页面数据，若存在多个匹配结果可加[1]取第一个匹配页
tab20 <- as.data.frame(report[matched_index])

优化建议 #

为了避免其他页面提及目标字符串导致误匹配，可以增加多关键词组合匹配提升精度，比如同时匹配表编号和表名：

# 组合匹配"Table 20"和目标表名，更精准定位
matched_index <- which(sapply(report, function(page) {
  full_page_text <- paste(page$text, collapse = " ")
  grepl("Table 20.*Change in Nominal house price", full_page_text)
}))

内容的提问来源于stack exchange，提问作者Chris