如何用R语言officer包提取docx文档中的脚注内容？

officer包的docx_summary()函数确实不会返回脚注内容，要提取脚注，需要直接操作docx文件底层的XML结构（docx本质是压缩包，脚注存储在word/footnotes.xml中），结合xml2包可以实现，具体步骤如下：

基础脚注提取 #

library(officer)
library(xml2)

# 读取目标docx文件
doc <- read_docx("你的文件路径.docx")

# 获取officer临时解压的docx目录路径
docx_temp_dir <- doc$doc_obj$package_dir

# 读取存储脚注的XML文件
footnotes_xml <- read_xml(file.path(docx_temp_dir, "word/footnotes.xml"))

# 提取脚注文本（排除docx默认的空脚注节点）
footnotes_content <- xml_text(
  xml_find_all(footnotes_xml, "//w:footnote[not(@w:id='0')]/w:p/w:r/w:t")
)

# 转换为数据框便于查看和后续处理
footnotes_df <- data.frame(
  脚注序号 = seq_along(footnotes_content),
  脚注内容 = footnotes_content,
  stringsAsFactors = FALSE
)

关联正文脚注引用与脚注内容 #

如果需要把正文中的脚注标记和对应的脚注内容关联起来，可以增加以下代码：

# 读取正文的XML文件
body_xml <- read_xml(file.path(docx_temp_dir, "word/document.xml"))

# 提取正文中的脚注引用标记及所属段落文本
footnote_refs <- xml_find_all(body_xml, "//w:r/w:footnoteReference")
ref_ids <- xml_attr(footnote_refs, "w:id")
ref_paragraphs <- xml_text(xml_find_first(footnote_refs, "./ancestor::w:p/w:r/w:t"))

# 构建引用数据框并与脚注内容合并
ref_df <- data.frame(
  引用脚注ID = ref_ids,
  引用所在段落 = ref_paragraphs,
  stringsAsFactors = FALSE
)

merged_footnotes <- merge(
  ref_df, footnotes_df,
  by.x = "引用脚注ID", by.y = "脚注序号",
  all.x = TRUE
)

说明 #

• docx文件默认会包含一个ID为0的空脚注节点，所以用not(@w:id='0')过滤掉它。
• 依赖xml2包解析XML，需要提前安装（install.packages("xml2")）。

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