2

我有大量 .doc 文件，它们提供了一组相应数据集中可用的变量。我想在 R 中浏览这些，看看哪些数据集包含感兴趣的变量。我之前使用 readLines 对纯文本文件执行过此操作，但这不适用于 .doc 文件。

我已经下载了 tm 包，它应该能够使用 readDOC 命令读取 .doc 文件，但是说明非常有限，我无法让它工作。有谁知道如何使用 readDOC 命令或对如何在 R 中执行此操作有其他建议？谢谢！

非常感谢大家的回复和建议。我认为 R 可以很容易地设置为读取 .doc 文件，但从你所说的我认为最简单的事情是首先将所有 word 文件转换为另一种格式。我刚刚下载了一些名为“Convert Doc”的免费软件，我将所有的 word 文档存储在一个文件夹中，并且很快将它们全部转换为 .txt 文件。现在我可以自动搜索，因为我有大约 100 个数据文件，附带指定变量编码的 word 文档，每个数据文件中并不总是相同（例如，是/否，一些使用 0/1，其他使用 1/2）所以这允许我找到正确的变量并使用 readLines、grep 和更多的文本处理来存储它的编码。谢谢！

4

2 回答 2

4

您的策略取决于您要对文档做什么，以及文档结构的重要性。

如果结构很重要，那么您可以将 Word 文档转换为 HTML，然后使用XML包提取相关部分。如果结构不重要，那么将它们转换为纯文本并使用readLines（如您之前所做的那样）导入它们可能是更好的选择。

第一个转换步骤将是棘手的部分。您可以通过右键单击并选择“另存为”来手动执行此操作，这对于少量文件来说是最简单的技术。

在 R 中，您可能必须通过RDCOMClient package执行涉及 COM 连接的操作。这通常很繁琐。

尽管我讨厌建议将 VBScript 用于任何事情，但对于这项任务来说，它可能比 R 好得多，因此请考虑使用该语言进行重新保存。

于 2013-10-21T10:55:05.433 回答
2

尝试包中的read_docx功能qdapTools。

于 2016-01-29T00:47:27.893 回答