如何用R从Word文档标题下提取高亮文本到DataFrame？

核心思路 #

用python-docx库解析Word文档的内容与格式信息，精准提取PID、X、Y区块下的高亮文本，再通过openpyxl将结果写入Excel表格。

步骤1：安装依赖库 #

执行以下命令安装所需工具：

pip install python-docx openpyxl

步骤2：编写Python脚本 #

以下是可直接运行的批量处理脚本：

import os
from docx import Document
from openpyxl import Workbook

def extract_highlighted_text(paragraph):
    """提取单个段落中的高亮文本"""
    highlighted_text = []
    for run in paragraph.runs:
        # 识别所有带高亮的文本，若需指定颜色可替换为具体色值判断
        if run.font.highlight_color is not None:
            highlighted_text.append(run.text.strip())
    return ' '.join(highlighted_text)

def process_docx(file_path):
    """处理单个docx文件，返回PID、X、Y对应的高亮内容"""
    doc = Document(file_path)
    current_section = None
    pid = ""
    x_content = []
    y_content = []

    for para in doc.paragraphs:
        para_text = para.text.strip()
        if not para_text:
            continue
        
        # 识别标题区块（可根据实际文档标题格式调整判断逻辑）
        if para_text == "PID":
            current_section = "PID"
            continue
        elif para_text == "X":
            current_section = "X"
            continue
        elif para_text == "Y":
            current_section = "Y"
            continue
        
        # 收集对应区块的内容
        if current_section == "PID":
            pid = para_text  # PID为6位标识符，直接提取整段文本
        elif current_section == "X":
            highlight = extract_highlighted_text(para)
            if highlight:
                x_content.append(highlight)
        elif current_section == "Y":
            highlight = extract_highlighted_text(para)
            if highlight:
                y_content.append(highlight)
    
    return {
        "PID": pid,
        "X": '; '.join(x_content),
        "Y": '; '.join(y_content)
    }

def batch_process_and_export(folder_path, output_excel):
    """批量处理文件夹下的docx文件，结果写入Excel"""
    wb = Workbook()
    ws = wb.active
    ws.append(["PID", "X", "Y"])  # 写入表头

    # 遍历目标文件夹下所有docx文件
    for filename in os.listdir(folder_path):
        if filename.endswith(".docx"):
            file_path = os.path.join(folder_path, filename)
            try:
                result = process_docx(file_path)
                ws.append([result["PID"], result["X"], result["Y"]])
                print(f"处理完成：{filename}")
            except Exception as e:
                print(f"处理失败 {filename}：{str(e)}")
    
    wb.save(output_excel)
    print(f"结果已导出到：{output_excel}")

# 示例调用（替换为你的文件夹路径和输出Excel路径）
if __name__ == "__main__":
    target_folder = "./docx_files"  # 存放docx文件的文件夹路径
    output_file = "./highlight_result.xlsx"  # 输出Excel的路径
    batch_process_and_export(target_folder, output_file)

关键调整点 #

• 若文档中PID、X、Y标题有特殊格式（比如加粗、特定字号），可修改标题识别逻辑，例如通过para.runs[0].font.bold判断是否为标题段落。
• 如需提取特定颜色的高亮（比如黄色），可将run.font.highlight_color is not None改为run.font.highlight_color == 4（4对应黄色，其他颜色值可查阅python-docx的颜色枚举）。
• X/Y下的高亮文本默认用分号拼接，可根据需求修改分隔符。

内容的提问来源于stack exchange，提问作者user23518192