如何从PDF/RTF格式兽医报告中提取指定字段数据导入电子表格

你之前使用的代码不生效有两个核心原因：一是read.delim仅用于读取固定分隔符的结构化纯文本，无法识别RTF的格式标记；二是grep直接传入文件名不会匹配文件内容，只会匹配文件名本身的字符。

步骤1：将RTF转换为无格式纯文本 #

首先用专门的工具去掉RTF的格式标签，R环境下可以用striprtf包实现：

# 首次使用先安装依赖包
install.packages("striprtf")
library(striprtf)
library(stringr)

# 读取RTF文件并转为纯文本
raw_content <- read_rtf("你的文件路径.rtf")
full_text <- paste(raw_content, collapse = "\n")

步骤2：按单份报告拆分文本 #

因为所有报告格式统一，找到每份报告的固定开头标识（比如常规是Animal:开头）拆分内容：

# 按报告开头标识拆分，过滤空内容
report_start_flag <- "Animal: "
report_list <- strsplit(full_text, report_start_flag)[[1]]
report_list <- report_list[nchar(report_list) > 0]
# 补回被拆分掉的开头标识
report_list <- paste0(report_start_flag, report_list)

步骤3：批量提取指定字段内容 #

按照你需要的字段写匹配规则，提取对应内容存入结构化表格：

# 定义所有需要提取的字段
base_fields <- c("Animal", "Age", "Type", "Gender", "lab ref", "sample date", "received date")
test_fields <- c("Total Protein", "Albumin") # 可自行补充所有需要的检测项
all_fields <- c(base_fields, test_fields)

# 初始化结果表
result_df <- data.frame(matrix(nrow = length(report_list), ncol = length(all_fields)))
colnames(result_df) <- all_fields

# 循环提取每份报告的对应字段
for (idx in seq_along(report_list)) {
  single_report <- report_list[idx]
  for (field in all_fields) {
    # 匹配规则：字段名+任意空格+直到换行的内容
    pattern <- paste0(field, "\\s+([^\\n\\r]+)")
    match_res <- str_match(single_report, pattern)
    if (!is.na(match_res[1,2])) {
      result_df[idx, field] <- trimws(match_res[1,2])
    }
  }
}

步骤4：导出为电子表格兼容格式 #

直接导出为CSV即可用Excel、WPS等工具打开编辑：

write.csv(result_df, "提取完成的兽医报告数据.csv", row.names = FALSE, na = "")

可选调整项 #

• 如果字段名大小写不统一，可以把匹配规则改为regex(pattern, ignore_case = TRUE)忽略大小写
• 如果检测项数值带单位，可以额外加逻辑提取纯数字：str_extract(匹配到的内容, "[0-9\\.]+")
• 如果报告有分页符，可以先执行full_text <- gsub("\\f", "", full_text)清除分页符再拆分

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