如何使用 R 从 .docx 文件中提取纯文本
how to extract plain text from .docx file using R
任何人都知道他们可以推荐的任何东西，以便从 .docx 格式的文章中提取纯文本（最好使用 R）？
速度并不重要，我们甚至可以使用具有一些 API 的网站来上传和提取文件，但我一直找不到。我需要提取引言、方法、结果和结论 我想删除摘要、参考文献，特别是图形和 table
谢谢
Pandoc 是解决此类任务的绝妙解决方案。对于名为 a.docx 的文档，您将 运行 在命令行
pandoc -f docx -t markdown -o a.md a.docx
然后您可以使用 R 中的正则表达式工具从新创建的 a.md 中提取您需要的内容，即文本。默认情况下，不转换图像。
顺便说一句，Pandoc 是 RStudio 的一部分，因此您可能已经拥有它。
您应该会发现其中一个软件包可以为您解决问题。
归根结底，现代 Office 文件格式 (OpenXML) 只是包含结构化 XML 内容的 *.zip 文件，因此如果您的内容结构良好，那么您可能只是想以这种方式打开它。我将从这里开始 (http://officeopenxml.com/anatomyofOOXML.php) and you should be able to unpick the OpenXML SDK for guidance as well (https://msdn.microsoft.com/en-us/library/office/bb448854.aspx)
你可以尝试使用readtext库：
library(readtext)
x <- readtext("/path/to/file/myfile.docx")
# x$text will contain the plain text in the file
变量x只包含没有任何格式的文本，所以如果你需要提取一些信息，你需要执行字符串搜索。例如，对于您在评论中提到的文档，一种方法可能如下：
library(readtext)
doc.text <- readtext("test.docx")$text
# Split text into parts using new line character:
doc.parts <- strsplit(doc.text, "\n")[[1]]
# First line in the document- the name of the Journal
journal.name <- doc.parts[1]
journal.name
# [1] "International Journal of Science and Research (IJSR)"
# Similarly we can extract some other parts from a header
issn <- doc.parts[2]
issue <- doc.parts[3]
# Search for the Abstract:
abstract.loc <- grep("Abstract:", doc.parts)[1]
# Search for the Keyword
Keywords.loc <- grep("Keywords:", doc.parts)[1]
# The text in between these 2 keywords will be abstract text:
abstract.text <- paste(doc.parts[abstract.loc:(Keywords.loc-1)], collapse=" ")
# Same way we can get Keywords text:
Background.loc <- Keywords.loc + grep("1\.", doc.parts[-(1:Keywords.loc)])[1]
Keywords.text <- paste(doc.parts[Keywords.loc:(Background.loc-1)], collapse=" ")
Keywords.text
# [1] "Keywords: Nephronophtisis, NPHP1 deletion, NPHP4 mutations, Tunisian patients"
# Assuming that Methods is part 2
Methods.loc <- Background.loc + grep("2\.", doc.parts[-(1:Background.loc)])[1]
Background.text <- paste(doc.parts[Background.loc:(Methods.loc-1)], collapse=" ")
# Assuming that Results is Part 3
Results.loc <- Methods.loc- + grep("3\.", doc.parts[-(1:Methods.loc)])[1]
Methods.text <- paste(doc.parts[Methods.loc:(Results.loc-1)], collapse=" ")
# Similarly with other parts. For example for Acknowledgements section:
Ack.loc <- grep("Acknowledgements", doc.parts)[1]
Ref.loc <- grep("References", doc.parts)[1]
Ack.text <- paste(doc.parts[Ack.loc:(Ref.loc-1)], collapse=" ")
Ack.text
# [1] "6. Acknowledgements We are especially grateful to the study participants.
# This study was supported by a grant from the Tunisian Ministry of Health and
# Ministry of Higher Education ...
具体方法取决于您需要搜索的所有文档的共同结构。例如，如果第一部分始终命名为 "Background"，您可以使用该词进行搜索。但是，如果这有时是 "Background"，有时是 "Introduction"，那么您可能想要搜索“1”。模式。
你可以用包 officer:
library(officer)
example_pptx <- system.file(package = "officer", "doc_examples/example.docx")
doc <- read_docx(example_pptx)
summary_paragraphs <- docx_summary(doc)
summary_paragraphs[summary_paragraphs$content_type %in% "paragraph", "text"]
#> [1] "Title 1"
#> [2] "Lorem ipsum dolor sit amet, consectetur adipiscing elit. "
#> [3] "Title 2"
#> [4] "Quisque tristique "
#> [5] "Augue nisi, et convallis "
#> [6] "Sapien mollis nec. "
#> [7] "Sub title 1"
#> [8] "Quisque tristique "
#> [9] "Augue nisi, et convallis "
#> [10] "Sapien mollis nec. "
#> [11] ""
#> [12] "Phasellus nec nunc vitae nulla interdum volutpat eu ac massa. "
#> [13] "Sub title 2"
#> [14] "Morbi rhoncus sapien sit amet leo eleifend, vel fermentum nisi mattis. "
#> [15] ""
#> [16] ""
#> [17] ""
任何人都知道他们可以推荐的任何东西，以便从 .docx 格式的文章中提取纯文本（最好使用 R）？
速度并不重要，我们甚至可以使用具有一些 API 的网站来上传和提取文件，但我一直找不到。我需要提取引言、方法、结果和结论 我想删除摘要、参考文献，特别是图形和 table 谢谢
Pandoc 是解决此类任务的绝妙解决方案。对于名为 a.docx 的文档，您将 运行 在命令行
pandoc -f docx -t markdown -o a.md a.docx
然后您可以使用 R 中的正则表达式工具从新创建的 a.md 中提取您需要的内容，即文本。默认情况下，不转换图像。
顺便说一句，Pandoc 是 RStudio 的一部分，因此您可能已经拥有它。
您应该会发现其中一个软件包可以为您解决问题。
归根结底，现代 Office 文件格式 (OpenXML) 只是包含结构化 XML 内容的 *.zip 文件，因此如果您的内容结构良好，那么您可能只是想以这种方式打开它。我将从这里开始 (http://officeopenxml.com/anatomyofOOXML.php) and you should be able to unpick the OpenXML SDK for guidance as well (https://msdn.microsoft.com/en-us/library/office/bb448854.aspx)
你可以尝试使用readtext库：
library(readtext)
x <- readtext("/path/to/file/myfile.docx")
# x$text will contain the plain text in the file
变量x只包含没有任何格式的文本，所以如果你需要提取一些信息，你需要执行字符串搜索。例如，对于您在评论中提到的文档，一种方法可能如下：
library(readtext)
doc.text <- readtext("test.docx")$text
# Split text into parts using new line character:
doc.parts <- strsplit(doc.text, "\n")[[1]]
# First line in the document- the name of the Journal
journal.name <- doc.parts[1]
journal.name
# [1] "International Journal of Science and Research (IJSR)"
# Similarly we can extract some other parts from a header
issn <- doc.parts[2]
issue <- doc.parts[3]
# Search for the Abstract:
abstract.loc <- grep("Abstract:", doc.parts)[1]
# Search for the Keyword
Keywords.loc <- grep("Keywords:", doc.parts)[1]
# The text in between these 2 keywords will be abstract text:
abstract.text <- paste(doc.parts[abstract.loc:(Keywords.loc-1)], collapse=" ")
# Same way we can get Keywords text:
Background.loc <- Keywords.loc + grep("1\.", doc.parts[-(1:Keywords.loc)])[1]
Keywords.text <- paste(doc.parts[Keywords.loc:(Background.loc-1)], collapse=" ")
Keywords.text
# [1] "Keywords: Nephronophtisis, NPHP1 deletion, NPHP4 mutations, Tunisian patients"
# Assuming that Methods is part 2
Methods.loc <- Background.loc + grep("2\.", doc.parts[-(1:Background.loc)])[1]
Background.text <- paste(doc.parts[Background.loc:(Methods.loc-1)], collapse=" ")
# Assuming that Results is Part 3
Results.loc <- Methods.loc- + grep("3\.", doc.parts[-(1:Methods.loc)])[1]
Methods.text <- paste(doc.parts[Methods.loc:(Results.loc-1)], collapse=" ")
# Similarly with other parts. For example for Acknowledgements section:
Ack.loc <- grep("Acknowledgements", doc.parts)[1]
Ref.loc <- grep("References", doc.parts)[1]
Ack.text <- paste(doc.parts[Ack.loc:(Ref.loc-1)], collapse=" ")
Ack.text
# [1] "6. Acknowledgements We are especially grateful to the study participants.
# This study was supported by a grant from the Tunisian Ministry of Health and
# Ministry of Higher Education ...
具体方法取决于您需要搜索的所有文档的共同结构。例如，如果第一部分始终命名为 "Background"，您可以使用该词进行搜索。但是，如果这有时是 "Background"，有时是 "Introduction"，那么您可能想要搜索“1”。模式。
你可以用包 officer:
library(officer)
example_pptx <- system.file(package = "officer", "doc_examples/example.docx")
doc <- read_docx(example_pptx)
summary_paragraphs <- docx_summary(doc)
summary_paragraphs[summary_paragraphs$content_type %in% "paragraph", "text"]
#> [1] "Title 1"
#> [2] "Lorem ipsum dolor sit amet, consectetur adipiscing elit. "
#> [3] "Title 2"
#> [4] "Quisque tristique "
#> [5] "Augue nisi, et convallis "
#> [6] "Sapien mollis nec. "
#> [7] "Sub title 1"
#> [8] "Quisque tristique "
#> [9] "Augue nisi, et convallis "
#> [10] "Sapien mollis nec. "
#> [11] ""
#> [12] "Phasellus nec nunc vitae nulla interdum volutpat eu ac massa. "
#> [13] "Sub title 2"
#> [14] "Morbi rhoncus sapien sit amet leo eleifend, vel fermentum nisi mattis. "
#> [15] ""
#> [16] ""
#> [17] ""