{编辑}大家好！
我正在尝试从教科书（pdf）中系统地提取数据。因为这个任务不容易转化为可重现的例子，我在这里提供了书中的 2 页作为例子。这两页包含一个物种学名（属物种）列表和一系列 2 字符代码。我想从提供的 2 页示例中提取所有物种的学名及其代码。
这是我要提取的示例（物种=绿色，代码=蓝色）：
到目前为止，我已经能够非常可靠地恢复科学名称，但是代码并没有像我想要的那样提取：
library(pdftools)
library(tidyverse)
plants <- pdf_text("World_Checklist_of_Useful_Plant_Species_2020-pages-12-13.pdf") %>%
str_split("\n") # splitting up the document by pages: result is a list of length = # pages (689)
species_full <- list()
taxa_full <- list()
use_full <- list()
for(i in 1:length(plants)){
# for loop to search for species names across all subsetted pages
species_full[[i]] <- plants[[i]] %>%
str_extract("[A-Z]+[a-z]+ [a-z]+\\b") # extracting words with upper and lower case letters between margins and abbr. words
use_full[[i]] <- plants[[i]] %>%
str_extract("(?<=\\|).+(?=\\|)") %>% # extracting use codes
str_split("\n") %>%
str_extract_all("[A-Z]+[A-Z]")
}
species_full_df <- species_full %>%
unlist() %>% # unlisting
as.data.frame() %>%
drop_na() %>%
rename(species = ".") %>%
filter(!species %in% c("Checklist of", "Database developed")) # removing artifacts from page headers
use_full_df <- use_full %>%
unlist() %>% # unlisting
as.data.frame() %>%
rename(code = ".") %>%
filter(!code == "<NA>") %>%
as.data.frame()
从这段代码中，我获得以下内容species_full_df：
> head(species_full_df)
species
1 Encephalartos cupidus
2 Encephalartos cycadifolius
3 Encephalartos eugene
4 Encephalartos friderici
5 Encephalartos heenanii
6 Cycas apoa
（注意顺序没有保留，但大部分物种名称都在里面）
我从以下位置获得这些结果use_full_df：
> head(use_full_df)
code
1 RBG
2 EU
3 EU
4 MA
5 ME
6 ME
问题：提取是抓取 3 个字符的代码（我只想提取 2 个字符的使用代码），并且每行只返回一个代码（许多物种有多个代码）。
你能建议如何改进这个过程吗？大概我对正则表达式的使用是可恶的。
先感谢您！
-亚历克斯。