使用docxtractr提取Word表格异常，求格式转换及优化方案

一、将提取后的表格转换为期望格式 #

假设你用docxtractr提取得到的是如下结构的data.frame：

# 模拟提取结果
df_extracted <- data.frame(
  列A = c("", "列C"),
  列A的值 = c("列B的值", "列C的值"),
  stringsAsFactors = FALSE
)

可以通过tidyverse工具链快速转换为期望格式：

library(dplyr)
library(tidyr)

# 填充空列名并重塑表格结构
df_desired <- df_extracted %>%
  # 补全空值对应的列名
  mutate(列A = ifelse(列A == "", "列B", 列A)) %>%
  # 转换为宽表格式
  pivot_wider(names_from = 列A, values_from = 列A的值) %>%
  # 补充列A的值
  mutate(列A = "列A的值") %>%
  # 调整列顺序为期望的列A、列B、列C
  select(列A, 列B, 列C)

print(df_desired)

运行后即可得到你期望的表格结构。

二、更优的Word表格提取方法 #

docxtractr对复杂表格（尤其是存在合并单元格的情况）解析容易出错，推荐使用officer包，它能更精准地保留Word表格的原始结构：

使用officer提取表格 #

library(officer)

# 读取目标Word文档
doc <- read_docx("your_file_path.docx")

# 提取所有表格（preserve = TRUE 保留格式信息）
all_tables <- docx_extract_all_tbl(doc, preserve = TRUE)

# 查看目标表格（假设是第一个表格）
target_table <- all_tables[[1]]

officer会正确识别合并单元格的范围，提取后的表格更接近原始结构，大幅减少后续数据清理的工作量。如果仍需要调整格式，结合tidyverse工具可快速完成。

内容的提问来源于stack exchange，提问作者Jhin Tonic