使用pdftools从PDF读取表

Question

我试图从pdftools包生成的字符向量中提取表格数据。输出(修剪后)如下所示：

pdftext <- c("   Clostridium perfringens     no./100ml         0        0          0        0      1409       0          0\n     Colony count 22°C           cfu/ml          -        0      15.673 >300.000       52       0          0\n     Colony count 37°C           cfu/ml          -        0       3.942      41        52       0          0")
lines <- strsplit(pdftext,"\n")
lines
[[1]]
[1] "   Clostridium perfringens     no./100ml         0        0          0        0      1409       0          0"
[2] "     Colony count 22°C           cfu/ml          -        0      15.673 >300.000       52       0          0"
[3] "     Colony count 37°C           cfu/ml          -        0       3.942      41        52       0          0"

我一直在使用以下方法将它们分割并连接到字符矩阵中：

do.call(rbind,lapply(lines, function(x) {strsplit(x," [ ]+")})[[1]])

这将失败，因为包含15.673 >300.000的列之间只有一个空格。

这里可能有不止一个问题：

1. 如何将字符向量传递给read.fwf？
2. 你能建议一个更好的正则表达式来分割15.673 >300.000，而不是Colony count 22°C
3. 有更简单的方法把这张桌子分开吗？我的代码看上去有点笨拙。

谢谢。

Answer 1

我发了3个问题。这是对RegExp问题(2)的回答。

@rawr有助于更好地表达PCRE，但当我浏览500份报告时，我发现了更多的问题。我找不到一条能够处理所有变化的规则，所以更好的RegExp不会解决这个问题。列的边界也会变化，所以固定的宽度不会解决这个问题，除非我检测到每一页的列。

我通过两次解析输出来解决这个问题。在第一次测试中，我使用{2,} (即>=2空格)进行拆分，并获得了前2列的文本。第二步，我用{1,} (即>=1空间)进行除法，得到最后7列数字。两次传递都被胁迫到字符向量的数据帧中，然后cbind将它们组合起来。