如何用R语言提取ATF枪支溯源PDF数据并整理为规范表格

作为经常用R处理政府PDF报告的开发者，我完全理解你用pdf_text提取后整理表格的痛苦——这类报告的格式往往看着规整，但文本提取后全是杂乱的空格和换行。下面给你推荐可靠的工具、学习资源，还有实战代码片段，帮你快速开发出批量处理的函数：

1. 核心R包：从PDF到结构化表格的捷径 #

tabulizer 包（首选） #

这个包专门针对PDF表格提取，能直接识别表格的边框和单元格，比手动拆分pdf_text的文本效率高太多。举个适配你需求的例子：

# 安装并加载包
install.packages("tabulizer")
library(tabulizer)

# 提取指定PDF中的表格（可指定页码或页面区域）
pdf_path <- "path/to/2014_colorado_atf_report.pdf"
# 提取1-5页的所有表格（根据你的报告实际页码调整）
tables_list <- extract_tables(pdf_path, pages = 1:5)

# 把列表格式的表格合并成数据框
raw_df <- as.data.frame(do.call(rbind, tables_list), stringsAsFactors = FALSE)
# 清理数据：重命名列、转换数值类型
clean_df <- raw_df %>%
  dplyr::rename(来源州 = V1, 溯源数量 = V2) %>%
  dplyr::mutate(溯源数量 = as.numeric(溯源数量), 年份 = 2014)

pdftools + tidyverse 组合（适配非标准表格） #

如果tabulizer识别不准（比如有些ATF报告的表格没有明显边框），可以用你已经熟悉的pdf_text配合stringr、dplyr来手动拆分文本：

library(pdftools)
library(stringr)
library(dplyr)

# 提取PDF文本
report_text <- pdf_text(pdf_path)
# 拆分文本为单行
text_lines <- str_split(report_text, "\n")[[1]]
# 筛选包含州名和数值的行（用正则匹配ATF报告的格式）
target_lines <- text_lines[str_detect(text_lines, "^[A-Za-z\\s]+\\s+\\d+$")]
# 拆分州名和数值（用多个空格作为分隔符）
clean_df <- str_split_fixed(target_lines, "\\s{2,}", 2) %>%
  as.data.frame(stringsAsFactors = FALSE) %>%
  rename(来源州 = V1, 溯源数量 = V2) %>%
  mutate(溯源数量 = as.numeric(溯源数量), 年份 = 2014)

2. 学习开发自定义函数的可靠资源 #

• R官方《Data Import/Export》手册：这是最权威的基础资料，里面有专门章节讲解PDF数据提取和文本处理的最佳实践，能帮你理解底层逻辑。
• Tidyverse官方教程：重点看dplyr的数据清洗和tidyr的表格重塑部分，学会用管道流（%>%）批量处理数据，是开发自定义函数的核心基础。
• RStudio Cheat Sheets：在RStudio的「Help」菜单里就能找到pdftools、dplyr的速查表，能快速掌握核心函数的用法，不用翻冗长文档。
• R-bloggers实战案例：搜索「Extracting Tables from PDFs with R」，里面有很多针对政府报告的实战教程，和你的需求高度匹配，能直接参考代码逻辑。

3. 批量处理2008至今报告的函数框架 #

如果要处理所有年份的报告，可以写一个循环函数自动遍历文件、提取数据并合并：

extract_atf_all_years <- function(report_dir) {
  # 获取目录下所有PDF文件
  all_pdfs <- list.files(report_dir, pattern = "\\.pdf$", full.names = TRUE)
  # 初始化空数据框
  full_data <- data.frame()
  
  for (pdf_file in all_pdfs) {
    # 从文件名提取年份（假设文件名包含4位年份，比如"ATF_2014_Colorado.pdf"）
    report_year <- str_extract(pdf_file, "\\d{4}")
    # 提取表格（用tabulizer的方法，根据实际情况调整）
    tables <- extract_tables(pdf_file)
    year_df <- as.data.frame(do.call(rbind, tables), stringsAsFactors = FALSE)
    # 添加年份列并合并
    year_df$年份 <- report_year
    full_data <- rbind(full_data, year_df)
  }
  
  # 最终清理数据
  full_data <- full_data %>%
    rename(来源州 = V1, 溯源数量 = V2) %>%
    mutate(溯源数量 = as.numeric(溯源数量))
  
  return(full_data)
}

# 调用函数：传入存放所有ATF报告的目录路径
atf_complete_data <- extract_atf_all_years("path/to/your/atf_reports")

内容的提问来源于stack exchange，提问作者James R.