忽略 readtext r 中的错误

Question

我现在正尝试使用 readtext 提取放置在一个文件夹中的大量 docx 文件 (1500)（在使用 list.files 创建列表后）

您可以在这里找到类似的例子：https://cran.r-project.org/web/packages/readtext/vignettes/readtext_vignette.html

我遇到一些文件错误（如下示例），问题是发生此错误时，提取过程已停止。我可以通过更改 verbosity = 3 来识别有问题的文件，但随后我必须重新启动提取过程（以找到另一个有问题的文件）。

我的问题是，如果遇到错误，是否有办法避免中断进程？

我更改了 ignore_missing_files = TRUE 但这并没有解决问题。

遇到的错误示例：

write error in extracting from zip file
Error: 'C:\Users--- c/word/document.xml' does not exist.

抱歉没有 post 一个可重现的例子，但我不知道如何 post 一个带有大 docx 文件的例子。但这是代码：

library(readtext)
 
data_files <- list.files(path = "PATH", full.names = T, recursive = T)   # PATH = the path to the folder where the documents are located
extracted_texts <- readtext(data_files, docvarsfrom = "filepaths", dvsep = "/", verbosity = 3, ignore_missing_files = TRUE) # this is to extract the text in the files

 
write.csv2(extracted_texts, file = "data/text_extracts.csv", fileEncoding = "UTF-8") # this is to export the files into csv

Answer 1

让我们先整理一个可重现的例子：

download.file("https://file-examples-com.github.io/uploads/2017/02/file-sample_1MB.docx", "test1.docx")
writeLines("", "test2.docx")

我在这里生成的第一个文件应该是一个正确的docx文件，第二个是垃圾。

我会将 readtext 包装在一个处理错误和警告的小函数中：

readtext_safe <- function(f) {
  out <- tryCatch(readtext::readtext(f), 
                  error = function(e) "fail",
                  warning = function(e) "fail")
  if (isTRUE("fail" == out)) {
    write(f, "errored_files.txt", append = TRUE)
  } else {
    return(out)
  }
}

请注意，我对错误和警告的处理方式相同，这可能不是您真正想要的。我们可以使用这个函数来遍历你的文件：

files <- list.files(pattern = ".docx$", ignore.case = TRUE, full.names = TRUE)

x <- lapply(files, readtext_safe)
x
#> [[1]]
#> readtext object consisting of 1 document and 0 docvars.
#> # Description: df[,2] [1 × 2]
#>   doc_id     text               
#>   <chr>      <chr>              
#> 1 test1.docx "\"Lorem ipsu\"..."
#> 
#> [[2]]
#> NULL

在结果列表中，失败的文件只有一个 NULL 条目，因为不会返回任何内容。我喜欢写出这些错误文件的列表，上面的函数创建一个 txt 文件，如下所示：

readLines("errored_files.txt")
#> [1] "./test2.docx"

忽略 readtext r 中的错误

Ignore errors in readtext r

r

quanteda

read-text