使用officer包读取docx文档正文时遇报错及文本乱序问题求助

报错原因分析 #

• 第一个报错：docx_summary(docx1) 出错是因为docx1是文件路径字符串（atomic vector），而docx_summary要求传入read_docx()生成的docx对象，不能直接传路径。
• 第二个报错：当docx文档中存在编号段落但格式不规范（比如编号层级缺失）时，docx_summary构建数据框会出现行列数不匹配的问题。

正确读取有序正文的方法 #

方法1：用body_extract_all_text()直接提取纯文本 #

这个函数会严格按照文档顺序提取所有正文文本，返回有序的字符向量，不会混入NA或出现乱序：

library(officer)

# 读取docx对象（示例用包内置模板，实际替换为你的文件路径）
docx_path <- system.file(package = "officer", "template.docx")
docx_obj <- read_docx(docx_path)

# 提取有序正文
full_text <- body_extract_all_text(docx_obj)
print(full_text)

方法2：遍历段落自定义提取（精细控制） #

如果需要区分标题、正文等不同类型内容，可以手动遍历段落节点：

library(officer)
library(magrittr)

docx_obj <- read_docx(system.file(package = "officer", "template.docx"))

# 获取所有段落对象
paragraphs <- docx_obj$doc_obj$get_paragraphs()

# 提取文本并过滤空内容
ordered_text <- sapply(paragraphs, function(p) {
  text <- p$get_text()
  if(nchar(text) > 0) text else NULL
}) %>% unlist()

print(ordered_text)

补充说明 #

• docx_summary()的核心作用是生成文档元数据摘要（如段落样式、表格信息），并非专门用于提取有序正文，尽量避免用它来做纯文本提取。
• 如果一定要用docx_summary()，需先规范文档中的编号格式，确保所有编号段落都有完整的层级设置。

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