如何在R中自动将10000份Word文档数据转为Excel或DataFrame？

1. 安装并加载依赖包 #

我们将使用officer读取Word文档内容，dplyr整理输出数据，stringr处理文本匹配：

install.packages(c("officer", "dplyr", "stringr"))
library(officer)
library(dplyr)
library(stringr)

2. 编写单文档信息提取函数 #

假设你的Word文档采用键值对格式（例如ID: P001、Patient Name: Jane Smith），以下函数可提取指定字段：

extract_patient_data <- function(file_path) {
  # 读取docx文档
  doc <- read_docx(file_path)
  # 提取所有文本并合并为单字符串
  full_text <- paste(body_extract_all_text(doc)$text, collapse = "\n")
  
  # 定义需要提取的目标字段
  target_fields <- c("ID", "Patient Name", "Age", "Gender", "Diagnosis")
  output <- list()
  
  # 循环匹配每个字段内容
  for (field in target_fields) {
    # 正则匹配：字段名+冒号+任意空白+内容（直到换行）
    match_result <- str_match(full_text, paste0("^", field, ":\\s*(.*)$"))
    output[[field]] <- ifelse(!is.na(match_result[1,2]), match_result[1,2], NA)
  }
  
  # 转换为数据框返回
  return(as.data.frame(output))
}

如果文档信息是表格形式，可替换为body_extract_tbl(doc)直接提取表格数据，再筛选对应列

3. 批量处理所有文档 #

假设所有Word文档都存放在./patient_docs/目录下，执行以下代码批量提取并导出结果：

# 获取所有docx文件的完整路径
all_doc_paths <- list.files(path = "./patient_docs/", pattern = "\\.docx$", full.names = TRUE)

# 批量应用提取函数，合并为总数据框
all_patient_data <- bind_rows(lapply(all_doc_paths, extract_patient_data))

# 导出为CSV文件（方便后续分析）
write.csv(all_patient_data, "./all_patient_records.csv", row.names = FALSE)

4. 适配特殊情况的调整方案 #

• 若文档是.doc格式：改用antiword包读取文本，安装后替换read_docx为antiword::antiword(file_path)
• 若字段格式不统一（如大小写差异、分隔符不是冒号）：修改正则表达式，例如将paste0("^", field, ":\\s*(.*)$")改为paste0("^", str_to_lower(field), ":?\\s*(.*)$", ignore.case = TRUE)
• 跳过损坏文档：添加安全处理函数避免中断批量任务

# 包装为安全执行函数
safe_extract <- purrr::safely(extract_patient_data)
# 批量执行并过滤成功结果
raw_results <- lapply(all_doc_paths, safe_extract)
valid_results <- purrr::keep(raw_results, ~!is.null(.x$result))
all_patient_data <- bind_rows(purrr::map(valid_results, "result"))

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