Question

是否可以将MSWord 2010文件读入R？我有Windows 7和戴尔PC。

我正在使用该行：

my.data <- readLines('c:/users/mark w miller/simple R programs/test_for_r.docx')

尝试读取包含以下文本的MSWord文件：

A   20  1000    AA
B   30  1001    BB
C   10  1500    CC

我收到一条警告信息：

警告讯息：在readLines（“c：/ users / mark w miller / simple R programs / test_for_r.docx”）中：在'c：/ users / mark w miller / simple R programs / test_for_r.docx'上找到不完整的最后一行

和my.data似乎是胡言乱语：

# [1] "PK\003\004\024" "¤l"             "ÈFÃË‹Átí"

我知道通过这个简单的示例，我可以轻松地将MSWord文件转换为其他格式。但是，我的实际数据文件包含几十年前输入的复杂表格，然后再扫描成pdf文档。原始纸质文档的年龄和原始文件中的不完善，打字和/或扫描过程导致一些字母和数字不是很清楚。到目前为止，将pdf文件转换为MSWord似乎是正确翻译表格中最成功的。将MSWord文件转换为Excel或富文本等并不是很成功。即使在转换为MSWord之后，生成的文件也非常复杂并且包含许多错误。我想如果我能将MSWord文件读入R中，这可能是编辑和纠正它们的最有效方法。

我知道'package tm'，我想可以将MSWord文件读入R，但我有点担心使用它，因为它似乎需要安装第三方软件。

感谢您提出任何建议。

Answer 1

首先， readLines（）不是正确的解决方案，因为Word文件不是文本（即普通的ASCII文本）文件。

tm 包中与Word相关的函数称为 readDOC（），但它和所需的第三方工具（Antiword）都适用于较旧的Word文件（直到Word 2003）并且无法使用较新的.docx文件。

我能建议的最好的是你尝试 readPDF（），也可以在 tm 包中找到。注意：它要求在您的系统上安装 pdftotext 工具。 Linux易用，不懂Windows。或者，找到一个Windows工具，将PDF转换为普通的ASCII文本文件（不 Word文件） - 它们应该在Windows上使用记事本打开并正确显示 - 然后尝试 readLines（）再次。但是，鉴于您的PDF文件较旧且来自扫描仪，转换为文本可能很困难。

最后：我意识到你没有在这个例子中做出原始决定，但对于其他任何人 - Word和PDF不适合存储你想要解析的数据。

Answer 2

如果https://cran.r-project.org/web/packages/readtext/vignettes/readtext_vignette.html对其他人有帮助，则似乎有一个专门用于读取文本数据的新程序包，包括Word文件（也是新的.docx格式）。

Answer 3

我还没弄明白如何将MSWord文件读入R，但我已将内容转换为R可以读取的格式。

我使用Acrobat X Pro将pdf转换为MSWord
原始表格具有分隔列的实线垂直线条。事实证明，当我将MSWord文件转换为文本文件时，这些垂直线会破坏数据的格式，但我可以在创建文本文件之前从MSWord文件中删除这些行。
在步骤2中删除垂直线后，将MSWord文件转换为文本文件。
生成的文本文件仍然需要大量编辑，但至少数据主要以R可以读取的格式存在，我不必手动重新输入pdf中的所有数据，节省了数小时的工作量

Answer 4

您可以非常轻松地使用RDCOMClient执行此操作。这样说，有些字符无法正确读取。

require(RDCOMClient)
# Create the connection
wordApp <- COMCreate("Word.Application")
# Let's set visible to true so you can see it run
wordApp[["Visible"]] <- TRUE

# Define the file we want to open
wordFileName <- "c:/path/to/word/doc.docx"
# Open the file
doc <- wordApp[["Documents"]]$Open(wordFileName)
# Print the text
print(doc$range()$text())

将MSWord文件读入R中

4 个答案: