如何在R中批量提取多PDF指定信息并整合结果？

我来帮你把单个PDF的提取逻辑封装成可复用的函数，再批量处理所有off_开头的数据框，最后把结果整合到一个统一的数据框里，具体实现如下：

步骤1：封装单个数据框的提取函数 #

把你之前的单文件提取逻辑打包成函数，这样可以重复调用，同时自动关联对应账号：

extract_pdf_info <- function(df, df_name) {
  # 从数据框名称中提取账号（匹配开头的数字部分）
  acc_num <- str_extract(df_name, "^off_(\\d+)") %>% str_remove("^off_")
  
  # 定义提取所需信息的正则表达式
  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"
  
  # 筛选第3页中匹配任意正则的行
  filtered_df <- df %>%
    filter(page_id == 3, 
           str_detect(text, protec_per_reg) | 
             str_detect(text, Arr_Fee_reg) | 
             str_detect(text, Fix_inter_reg) | 
             str_detect(text, Bench_rate_reg))
  
  # 提取数值（支持小数）
  extracted_nums <- str_extract(filtered_df$text, "\\d+\\.?\\d+")
  
  # 处理NA值：替换为带%的数值（针对保护比例这类带百分号的字段）
  na_indices <- is.na(extracted_nums)
  if (any(na_indices)) {
    extracted_nums[na_indices] <- str_extract(filtered_df$text[na_indices], "\\d+%")
  }
  
  # 整理成结构化的行数据，明确字段名
  result <- tibble(
    Account_Number = acc_num,
    Protected_Percentage = extracted_nums[1],
    Arrangement_Fee = extracted_nums[2],
    Fixed_Interest_Rate = extracted_nums[3],
    Benchmark_Rate = extracted_nums[4]
  )
  
  return(result)
}

步骤2：批量处理所有off_开头的数据框 #

自动识别环境中所有off_开头的数据框，逐个调用提取函数，最后合并成汇总数据框：

# 获取所有以off_开头的数据框名称
off_df_names <- ls(pattern = "^off_")

# 初始化列表存储每个数据框的提取结果
all_results <- list()

# 遍历处理每个数据框
for (df_name in off_df_names) {
  current_df <- get(df_name)
  current_result <- extract_pdf_info(current_df, df_name)
  all_results[[df_name]] <- current_result
}

# 合并所有结果为一个汇总数据框
final_summary_df <- bind_rows(all_results)

# 查看最终整合后的结果
print(final_summary_df)

额外优化说明 #

• 给提取的字段加上了明确的名称，避免后续混淆各项信息；
• 账号提取逻辑适配了你命名数据框的规则（off_+文件名），自动匹配对应PDF的账号；
• NA值处理更精准，只针对有缺失的位置替换，避免不必要的操作；
• 如果你的PDF存在匹配行顺序不一致的情况，可以在筛选后增加排序逻辑（比如按正则匹配的优先级排序），确保数值对应正确的字段。

内容的提问来源于stack exchange，提问作者SAJ