【Tidyverse优雅编程】：R语言 批量word文档转Excel

蝴蝶舞仙客来

问题来自头条文章：
他们总说，R 语言处理文本数据、自动化办公不行，是真不行吗？本篇就来个 吊打 Python 看看。
<hr/>1 问题描述

• 有多个 word 文档：
  

• 文档内容：
  

• 需求：
  

批量读取 word 文档内容，按名目：序号、方名、组成、用法、主治、备注，整理成 Excel 表格，结果如下：


注：若未包含【组成】【用法】【主治】，则内容都归入备注。
2 解决问题

首先强调：文本数据处理，肯定离不开正则表达式！

• 加载包
  

library(readtext)     # 读取文本数据
library(tidyverse)    # stringr, tidyr包, 处理文本数据
library(writexl)      # 写出到Excel

• 批量读取 word 文档
  

df = readtext("word")     # 注意，word文档不能在打开状态
df

得到的结果是数据框，每个文档占一行，doc_id 列是文件名，text 列是文档内容，一个文档内容整个是一个字符串。

• 按药方切分列
  

df = df %>%
  separate_rows(text, sep = "\n(?=\\d{5})")   # 切分标志是: \n五位数字序号
df

此时，一个药方占一行了。

• 解决一个药方的信息提取，写成函数
  

f = function(x) {
  tibble(
    序号 = str_extract(x, "^\\d{5}"),
    方名 = str_extract(x, "(?<=\\d·).*?(?=\n)"),
    组成 = str_extract(x, "(?<=【组成】).*?(?=\n【用法】|$)"),
    用法 = str_extract(x, "(?<=【用法】).*?(?=\n【主治】|$)"),
    主治 = str_extract(x, "(?<=【主治】).*?(?=\n|$)"),
    备注 = ifelse(str_detect(x, "【"), NA, str_extract(x, "(?<=\n).*$")))
}说明：都是正则表达式提取，主要用到零宽断言，根据两端标志提取中间想要的内容。为什么看着这么啰嗦呢？是因为数据是有陷阱的：不是每个药方都包含【组成】、【用法】、【主治】，所以右端需要设置为下一项或结尾标志$。
测试一个看看：
f(df$text[[1]])

没问题！（我差点被对不齐给骗了）

• 循环迭代，批量解决问题
  

就是把函数 f 依次应用到数据的 text列，结果按行合并：
rlt = map_dfr(df$text, f)
rlt

• 写出到 Excel 文件
  

write_xlsx(rlt, "结果表.xlsx")结果就是问题描述中的结果表（略）。
问题解决！
以上是为了给大家展示中间过程，方便大家理解。拿掉不必要的中间过程，借助管道，完整代码如下：
library(readtext)     # 读取文本数据
library(tidyverse)    # stringr, tidyr包, 处理文本数据
library(writexl)      # 写出到Excel

df = readtext("word") %>%
  separate_rows(text, sep = "\n(?=\\d{5})")

f = function(x) {
  tibble(
    序号 = str_extract(x, "^\\d{5}"),
    方名 = str_extract(x, "(?<=\\d·).*?(?=\n)"),
    组成 = str_extract(x, "(?<=【组成】).*?(?=\n【用法】|$)"),
    用法 = str_extract(x, "(?<=【用法】).*?(?=\n【主治】|$)"),
    主治 = str_extract(x, "(?<=【主治】).*?(?=\n|$)"),
    备注 = ifelse(str_detect(x, "【"), NA, str_extract(x, "(?<=\n).*$")))
}

map_dfr(df$text, f) %>%
  write_xlsx("结果表.xlsx")<hr/>附录

我主张的数据编程思维：




我的 R 语言新书：
电子抢读版已上线（人邮）异步社区，纸质版预计12月底上市：

吉生

太强了

风风雨雨奋斗的吃饭

太强了～也看了那个python版本的，写的太啰嗦了

曾精点

我就是喜欢看张老师有理有据理直气壮地展示R语言的强大

候鸟南山

怎么说的。r语言在某方面确实不错。[飙泪笑]

方思向

老师好，我想用word文档模拟学习
请问有网盘链接吗？谢谢！

二柱

老师想进群和你深入学习 可以私聊沟通吗？谢谢