如何在R中将跨多页拆分的PDF表格解析为单个完整表格

前提说明 #

你需要处理的是文本型人事调动通知PDF，跨页拆分的表格可以通过以下工具链快速完成提取、拼接：

方法一：tabulizer自动提取（推荐） #

tabulizer是R生态中专门用于PDF表格提取的工具，原生支持跨页表格自动识别、重复表头自动去重：

• 提前安装对应系统版本的Java运行环境，无Java环境可跳转下文备选方案
• 安装依赖包后直接调用函数即可得到完整表格

# 安装并加载依赖
install.packages(c("tabulizer", "dplyr"))
library(tabulizer)
library(dplyr)

# 替换为你本地存储的PDF文件路径
pdf_local_path <- "你的本地存储路径/consolidated transfer orders.pdf"

# 提取全文档表格并自动拼接跨页内容
merged_table <- extract_tables(
  file = pdf_local_path,
  output = "data.frame",
  pages = "all",
  repeat.header.rows = TRUE,
  guess = TRUE
)

# 清洗冗余空行得到最终结果
final_table <- merged_table %>%
  filter(if_any(everything(), ~!is.na(.) & str_trim(.)!= ""))

# 查看结果
head(final_table)

方法二：无Java环境备选方案 #

如果无法配置Java环境，可以用pdftools读取全文后手动解析：

# 安装并加载依赖
install.packages(c("pdftools", "stringr", "dplyr"))
library(pdftools)
library(stringr)
library(dplyr)

# 读取PDF全文内容
pdf_full_text <- pdf_text(pdf_local_path)

# 按行拆分全文并拼接所有页面内容
all_lines <- unlist(str_split(pdf_full_text, "\\n")) %>% str_trim()

# 移除空行、每页重复的表头行，把"表头固定关键词"替换为你表格表头的固定文字即可
valid_lines <- all_lines[all_lines!= "" &!str_detect(all_lines, "表头固定关键词")]

# 按表格字段的固定宽度/分隔符拆分每行内容为数据框，即可得到完整表格

注：如果实际提取后发现有表格识别误差，可通过调整extract_tables的area参数指定表格在页面中的坐标范围，提升识别准确率。

内容的提问来源于stack exchange，提问作者AnilGoyal