使用R读取远程docx文件并将数值转换为numeric类型的方法咨询

你目前使用的textreadr::read_docx()属于多工具封装包，额外依赖多、更新滞后，以下两类方案稳定性和性能更优，均支持直接读取远程文件，无需手动管理本地缓存：

方案1：使用officer包（通用型，兼容性最强） #

officer是R生态中维护最活跃的Office文档处理包，支持所有docx结构解析，依赖项少，出错概率低。

实现代码： #

# 首次使用先安装包
# install.packages("officer")
library(officer)

# 生成自动清理的临时文件路径，无需手动删除
tmp_file <- tempfile(fileext = ".docx")
# 下载远程文件到临时路径
download.file(
  url = "https://github.com/rhozon/datasets/blob/master/idades.docx?raw=true",
  destfile = tmp_file,
  mode = "wb"
)

# 读取docx文件
docx_obj <- read_docx(tmp_file)
# 提取文件内所有表格（测试文件仅含1个表格）
table_meta <- docx_summary(docx_obj)
table_meta <- table_meta[table_meta$content_type == "table", ]
# 提取第一个表格的内容为数据框
df <- docx_table_extract(docx_obj, id = table_meta$id[1])

# 转换对应列为numeric类型，此处默认第一列为数值列，可按需修改列索引/列名
df[[1]] <- as.numeric(df[[1]])

注意必须指定mode = "wb"二进制下载模式，否则Windows系统下会出现docx文件损坏无法读取的问题

方案2：使用docxtractr包（表格专属，代码更简洁） #

如果你的docx文件仅包含数值表格，docxtractr是更轻量化的选择，专门针对docx表格提取做了优化，自动适配表头、合并单元格等常见场景。

实现代码： #

# 首次使用先安装包
# install.packages("docxtractr")
library(docxtractr)

tmp_file <- tempfile(fileext = ".docx")
download.file(
  url = "https://github.com/rhozon/datasets/blob/master/idades.docx?raw=true",
  destfile = tmp_file,
  mode = "wb"
)

# 直接读取并提取第一个表格
docx_obj <- read_docx(tmp_file)
df <- docx_extract_tbl(docx_obj, tbl_number = 1)

# 转换为numeric类型
df[[1]] <- as.numeric(df[[1]])

方案对比 #

内容的提问来源于stack exchange，提问作者Rodrigo H. Ozon