使用tabulizer提取多格式长PDF表格遇报错，无法提取18-75页内容

核心判断 #

• 18-75页的表格并非不支持爬取，报错完全是当前全文档统一调用extract_tables()的默认参数，无法适配这部分页面的表格结构导致，和文档的可访问性、表格本身的可提取性无关。
• 143页之后的表格能正常提取，本质是这部分页面的结构完全匹配tabulizer的自动识别逻辑，和前后页的表格结构差异直接相关。

具体报错触发逻辑 #

• 第一类报错more columns than column names的成因：
  这部分页面的表格结构存在三类自动识别逻辑无法兼容的特征：
  • 跨页长表使用断行排布的两级表头：单个字段名拆成2-3行展示（比如“Child Support Collections”拆成第一行“Child Support”、第二行“Collections”对应同一数据列），自动识别逻辑会把每一行的文本都统计为独立列名，最终识别到的列名数量远低于实际拆分出的数据列数
  • 表头存在跨列合并单元格：部分分类表头横向覆盖2-3个下级数据列，自动识别时不会把合并单元格的文本映射到所有覆盖的子列，进一步拉低列名的统计数量
  • 表格边框识别错位：部分页面导出时的细线条边框存在轻微偏移，自动识别会把同一列的相邻内容错拆为两个独立列，放大列数和列名数量的差值
• 第二类报错duplicate 'row.names' are not allowed的成因：
  这是第一类报错的连锁触发结果。当初始提取的列数和列名数量不匹配时，tabulizer会按照R语言data.frame的生成规则，默认将第一列的文本设置为行名；而18-75页的跨页长表，每一页都会重复打印完整的表头行、甚至重复出现和上一页完全一致的分类列值（比如每跨一页都重复输出50个州的分类项），生成的行名存在大量重复，触发data.frame结构对“行名必须唯一”的强制校验，直接抛出该错误。

可直接调整的参数方案 #

• 拆分提取批次：不要对276页全文档统一使用原代码（child_support_scrape <- extract_tables(file = "C:/Users/Jenny/Downloads/OCSE_2018_annual_report.pdf", method = "decide", output = "data.frame")）一次性提取，将18-75页单独划为一个提取批次，适配专属参数
• 关闭自动列名识别：给该批次的提取函数添加col_names = FALSE参数，跳过自动匹配列名的步骤，从根源上避免列数和列名不匹配的报错，后续可根据表格字段手动指定列名
• 调整临时输出格式：将该批次的output临时设置为"matrix"，先拿到无结构格式的原始提取文本，手动剔除跨页重复的表头行、修正错位拆分的列内容，清洗完成后再转换为结构化data.frame
• 替换识别方法：针对18-75页的表格结构，将method从默认的decide改为"stream"（适配无完整外框、靠字符间距对齐的政府报告汇总类表格），减少边框识别错位带来的列拆分错误

注：无需重新获取文档，本地存储的PDF本身所有页面的表格都可通过参数适配完成提取。

内容的提问来源于stack exchange，提问作者Jennifer B.