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。
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|$)"),
备注 = ifelse(str_detect(x, "【"), NA, str_extract(x, "(?<=n).*#34;)))
}
说明：都是正则表达式提取，主要用到零宽断言，根据两端标志提取中间想要的内容。为什么看着这么啰嗦呢？是因为数据是有陷阱的：不是每个药方都包含【组成】、【用法】、【主治】，所以右端需要设置为下一项或结尾标志$。
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|$)"),
备注 = ifelse(str_detect(x, "【"), NA, str_extract(x, "(?<=n).*#34;)))
}
map_dfr(df$text, f) %>%
write_xlsx("结果表.xlsx")
