请求将PDF文本提取R代码封装为可复用函数

没问题，我帮你把这段提取PDF财务数据的代码封装成一个可复用的函数，这样你以后只需要传入对应的文本数据框，就能快速得到提取后的数值了。先看完整的函数实现：

# 封装提取财务数据的函数
extract_financial_data <- function(df, target_page = 3) {
  # 定义匹配各类财务数据的正则表达式
  protec_per_reg <- "Protected\\sP\\w+\\sof"
  Arr_Fee_reg <- "^The\\sArrangement\\sF\\w+"
  Fix_inter_reg <- "Fixed\\sI\\w+\\sR\\w+"
  Bench_rate_reg <- "Benchmark\\sR\\w+\\sthat"
  
  # 过滤目标页面中匹配正则的行
  filtered_df <- df %>%
    filter(page_id == target_page,
           str_detect(text, protec_per_reg) |
             str_detect(text, Arr_Fee_reg) |
             str_detect(text, Fix_inter_reg) |
             str_detect(text, Bench_rate_reg))
  
  # 提取文本中的数值（包含小数）
  extracted_nums <- str_extract(filtered_df$text, "\\d+\\.?\\d+")
  
  # 处理提取不到的情况（比如带%的数值）
  na_indices <- which(is.na(extracted_nums))
  if (length(na_indices) > 0) {
    extracted_nums[na_indices] <- str_extract(filtered_df$text[na_indices], "\\d+\\.?\\d+%")
    # 去掉%符号，方便后续数值计算（可选，根据需求调整）
    extracted_nums <- str_remove(extracted_nums, "%")
  }
  
  # 返回提取后的数值，同时关联对应的描述文本
  result <- tibble(
    description = filtered_df$text,
    value = as.numeric(extracted_nums)
  )
  
  return(result)
}

函数说明与使用示例 #

依赖包准备 #

使用前请确保已经加载了所需的包：

library(tidyverse)

调用示例 #

用你提供的测试数据框来调用函数：

# 测试数据框
Off_let_data <- data.frame(
  page_id = c(3,3,3,3,3),
  element_id = c(19, 22, 26, 31, 31),
  text = c(
    "The Protected Percentage of your property value thats has been chosen is 0%",
    "The Arrangement Fee payable at complettion: £50.00",
    "The Fixed Interest Rate that is applied for the life of the period is: 5.40%",
    "The Benchmark rate that will be used to calculate any early repayment 2.08%",
    "The property value used in this scenario is 275,000.00"
  ),
  stringsAsFactors = FALSE # 确保文本是字符型，避免处理问题
)

# 调用函数
financial_data <- extract_financial_data(Off_let_data)

# 查看结果
print(financial_data)

输出结果 #

运行后会得到一个包含描述文本和提取数值的数据框：

# A tibble: 4 × 2
  description                                                                 value
  <chr>                                                                       <dbl>
1 The Protected Percentage of your property value thats has been chosen is 0%   0   
2 The Arrangement Fee payable at complettion: £50.00                           50  
3 The Fixed Interest Rate that is applied for the life of the period is: 5.40%   5.4
4 The Benchmark rate that will be used to calculate any early repayment 2.08%   2.08

函数的可扩展性 #

如果以后需要匹配更多类型的财务数据，只需要在函数里新增对应的正则表达式，然后加到filter的条件里就行；如果目标页面不是固定的3，调用函数时可以指定target_page参数，比如extract_financial_data(df, target_page = 5)。

内容的提问来源于stack exchange，提问作者SAJ