R语言tabulizer提取PDF表格后合并dataframe空行前连续行的方法

实现逻辑 #

• 先标记所有全空行（所有列内容均为空白、NA、空字符串的行）
• 以空行作为分组边界生成组ID，连续非空行会被划分到同一组
• 对每个组内的每一列，将非空内容拼接为单个字符串，过滤掉空行对应的无效分组即可得到合并后的整洁数据

完整代码 #

library(tidyverse)

# 原有PDF表格提取代码保持不变
location <- "https://www.mofa.go.jp/announce/info/conferment/pdfs/2013_sp.pdf"
out <- tabulizer::extract_tables(location)
final <- do.call(rbind, out)
final <- as.data.frame(final) %>%
  janitor::row_to_names(row_number = 2) %>%
  janitor::clean_names()

# 合并拆分行的核心代码
merged_df <- final %>%
  # 标记全空行：所有列去除前后空格后为空或NA则判定为空行
  mutate(is_blank = if_all(everything(), ~trimws(.x) %in% c(NA, ""))) %>%
  # 生成分组ID：每遇到一个空行，组ID加1
  mutate(group_id = cumsum(is_blank)) %>%
  # 过滤掉空行本身，按组ID分组
  filter(!is_blank) %>%
  group_by(group_id) %>%
  # 每组内的所有列，将非空内容用空格拼接
  summarise(across(everything(), ~paste0(trimws(na.omit(.x)), collapse = " "))) %>%
  # 移除辅助列
  ungroup() %>%
  select(-group_id)

适配说明 #

• if_all逐行判断所有列是否均为空白，避免误判只有部分列为空的有效行
• 用cumsum(is_blank)生成的组ID天然适配末尾无空行的场景：最后一组连续非空行不会遇到后续空行，会被自动划为最后一个分组完整处理
• 拼接时先调用na.omit跳过NA值，trimws去除内容前后多余空格，避免拼接结果出现多余空白

内容的提问来源于stack exchange，提问作者anpami