如何使用R提取PDF中的粗体与非粗体文本？现有代码仅提取非粗体

嘿，我来帮你搞定这个问题～你当前用的是把PDF转成图片再OCR的方式，这种方法确实很难区分粗体和普通文本，而且容易丢失原文档的结构化信息。其实pdftools包里的pdf_data()函数能直接提取带字体样式的文本元数据，完美解决这个问题！

下面是调整后的完整代码，我会一步步给你解释：

步骤1：加载工具包并获取PDF的结构化数据 #

news <- 'http://www.frbe-kbsb.be/sites/manager/ICN/14-15/ind01.pdf'
library(pdftools)

# 获取PDF所有页面的文本细节（包含字体、坐标等信息）
pdf_pages <- pdf_data(news)

步骤2：写个函数提取单页的粗体+非粗体文本 #

PDF里的粗体字体通常会在名称里带Bold、Bd这类关键词，我们可以用这个特征来识别粗体字符：

extract_formatted_text <- function(page_data) {
  # 筛选粗体字符：匹配字体名里的粗体关键词
  bold_chars <- page_data[grepl("Bold|Bd|bold", page_data$font, ignore.case = TRUE), ]
  # 剩下的就是非粗体字符
  regular_chars <- page_data[!grepl("Bold|Bd|bold", page_data$font, ignore.case = TRUE), ]
  
  # 按行拼接字符（同一行的y坐标基本一致）
  # 处理粗体文本，用Markdown粗体标记包裹
  bold_lines <- aggregate(text ~ y, data = bold_chars, FUN = paste, collapse = "")
  bold_lines <- paste0("**", bold_lines$text, "**")
  
  # 处理非粗体文本
  regular_lines <- aggregate(text ~ y, data = regular_chars, FUN = paste, collapse = "")
  regular_lines <- regular_lines$text
  
  # 合并所有行并按页面原顺序排序（根据y坐标从小到大）
  all_lines <- c(bold_lines, regular_lines)
  line_order <- order(c(bold_chars$y, regular_chars$y))
  sorted_text <- paste(all_lines[line_order], collapse = "\n")
  
  return(sorted_text)
}

步骤3：遍历所有页面提取并合并文本 #

# 批量处理每个页面
all_pages_content <- lapply(pdf_pages, extract_formatted_text)

# 把所有页面的文本合并到一起
full_formatted_text <- paste(unlist(all_pages_content), collapse = "\n\n")

# 查看结果，粗体内容会用**标记出来
cat(full_formatted_text)

补充说明 #

如果你的PDF是扫描件类型的图像PDF，那pdf_data()就没法直接提取文本了，这时候还是得用OCR，但可以先对图像做预处理（比如增强粗体区域的对比度），让tesseract能更好地识别样式。不过看你提供的PDF链接，这应该是可编辑的文本型PDF，上面的方法完全适用～

内容的提问来源于stack exchange，提问作者emeryville