PDF：1つの列リストを複数の列のデータフレームに変換する方法は？-複数の列へのグループ内のサブグループ内の人々のリスト

これは、PDFではなくWebページをスクレイピングし、1つのソースのみを使用することに基づいた、より完全な回答です。したがって、スクレイプする複数のWebページでまだテストされていません。ソースデータの追加のWebページがある場合は、以下のコードの上部にあるベクターにそれらを追加します。

@pbstckvrflwの演習として残しておくことができます！

これは大変な作業でしたが、幸運なことに、私はそれをやって、いろいろなことを学びながら楽しんでいました。

ただし、この規模のタスクは通常、SOの質問には適していないことに注意してください。解決策を自分で試してから、発見した問題について非常に具体的な質問をすることをお勧めします。

私が書いたコードを注意深く読み、各ステップで何が起こっているのかを理解してください。あなたが学ぶ必要があるかもしれない主なことはmap、それがリスト内のすべてのアイテムに関数を適用する方法についてです。mapネストされたリストを使用しているため、ここでは広く使用しています。いくつかの良い正規表現もあります。

完璧なコードにはほど遠いため、エラーや非効率が発生する可能性があります。その一部を繰り返し可能な関数に分解したほうがよいでしょう。そして、それは少し厄介ないくつかの中間オブジェクトを生成しますが、それはまさにその通りです。明確にするために、コードはブロックになっています。これは、物事が壊れるリスクを過度にかけずに、ブロックをより流動的なワークフローに統合する時間がないためです。

library(rvest)
library(stringr)
library(purrr)
library(dplyr)
library(tibble)
library(conflicted)
conflict_prefer("pluck", "purrr")

# you should add any further URLs to this vector
urls <- c("http://bocyl.jcyl.es/html/1983/04/02/html/BOCYL-D-02041983-1.do")

# scrape text from the relevant part of the webpage
# (assume that any additional URLs have the same structure)
text <- urls %>%
  map(., ~ {xml2::read_html(.) %>%
      rvest::html_nodes("#presentDocumentos p:not([class])") %>% 
      html_text})

# extract a manageable name from the URL and use it to name each text
names(text) <- urls %>% 
  str_extract_all(., pattern = "(?<=/)BOCYL.*(?=\\.do$)")

# do any manual fixes for errors in source data
text1 <- text %>% 
  map(., ~
  str_replace_all(., "PARTIDO COMUNISTA DE ESPAÑA PARTIDO COMUNISTA DE CASTILLA- LEON", "2. PARTIDO COMUNISTA DE ESPAÑA PARTIDO COMUNISTA DE CASTILLA- LEON"))

text2 <- text1 %>%
  map(., ~ 
        str_replace_all(., "(\\.)*(\\s)*$", "") %>% 
        str_replace_all(., "(\\s)+", " ") %>% 
        str_replace_all(., "^Suplente.*", "") %>% 
        str_c(., collapse = ";") %>% 
        str_split(., pattern = "JUNTA ELECTORAL DE ") %>% 
        map(., ~ tail(., -1) %>% 
              str_split(.,
                        pattern = ";(?=\\d{1,2}\\.\\s([:upper:]|\\s){2,})") %>% 
              set_names(str_to_title(map(., 1))) %>% 
              map(., ~ tail(., -1))
        )
  )


text3 <- text2 %>% 
  map(., ~
        map(., ~ 
              map(., ~ str_split(., pattern = ";(?=\\d{1,2}\\.\\s)") %>% 
                    set_names(map(., 1) %>% 
                                str_extract(., pattern = "(?<=\\d{1,2}\\.\\s)[:upper:].*")) %>% 
                    map(., ~ tail(., -1) %>% 
                          enframe(., name = "list_position", value = "person_name") %>% 
                          mutate_at(
                            vars("person_name"),
                            ~ str_extract_all(.,
                                              pattern = "(?<=\\d{1,2}\\.\\s)[:alpha:]+.*"))))))

text4 <- text3 %>% 
  map(., ~
        map(., ~ 
              map(., ~
                    map_df(., c, .id = "political_group"))))

text5 <- text4 %>% 
  map(., ~
        map(., ~ 
              map_df(., c, .id = "territory")))

# EXAMPLE
# To look at just the data frame produced from the first web page supplied
# (with columns rearranged as desired):
data_frame1 <- text5 %>% 
  pluck(1, 1) %>% 
  select(person_name, everything())
data_frame1

作成したGitHubリポジトリに最新のコードをプッシュしました。質問に対するこの回答に満足している場合は、これを承認済みの回答としてチェックしてください。