咨询：使用R语言officer包提取Word文档中RTCC格式文本的方法

我明白你的问题——docx_summary()确实只会抓取Word文档里的普通段落和表格文本，富文本内容控件（RTCC）因为存储在文档XML的特殊节点里，默认不会被提取出来。不过我们可以通过直接解析docx的底层XML来解决这个问题，结合officer和xml2包就能搞定，下面是具体步骤：

方法1：提取所有RTCC的文本内容 #

首先我们需要读取文档的XML结构，然后定位到RTCC对应的<w:sdt>节点（Word内容控件的XML标识），从中提取文本：

# 加载所需包
library(officer)
library(xml2)

# 读取目标Word文档
trtDoc <- read_docx("theFile.docx")

# 将文档转换为XML字符串并解析
doc_xml <- docx_ml(trtDoc)
xml_doc <- read_xml(doc_xml)

# 定义Word XML的命名空间（必须指定，否则XPath无法匹配节点）
ns <- xml_ns(xml_doc)

# 提取所有富文本内容控件中的文本
rtcc_text <- xml_find_all(xml_doc, "//w:sdt//w:t", ns) %>% 
  xml_text()

# 查看提取结果
print(rtcc_text)

代码解释： #

• docx_ml()：将docx文档转换为完整的XML字符串，这是获取底层结构的关键
• xml_find_all()：用XPath表达式//w:sdt//w:t定位所有内容控件（<w:sdt>）下的文本节点（<w:t>）
• xml_text()：提取节点中的纯文本内容

方法2：将RTCC文本与docx_summary结果关联 #

如果需要把RTCC文本和docx_summary()生成的data.frame结合，可以通过匹配段落上下文来关联：

# 获取原有的docx_summary结果
doc_summary <- docx_summary(trtDoc)

# 提取每个RTCC所在的父段落文本（用于匹配）
sdt_parent_paragraphs <- xml_find_all(xml_doc, "//w:sdt/ancestor::w:p//w:t", ns) %>% 
  xml_text() %>% 
  paste(collapse = " ")

# 将RTCC文本添加到summary数据框中（示例逻辑，可根据实际结构调整）
doc_summary$rtcc_content <- ifelse(grepl(sdt_parent_paragraphs, doc_summary$text), rtcc_text, NA)

进阶：提取特定标签的RTCC #

如果你的文档中有多个RTCC，且每个控件有自定义标签，可以通过标签过滤目标内容：

# 替换为你的RTCC标签值
target_tag <- "YourCustomTag"

# 提取带有指定标签的RTCC文本
target_rtcc <- xml_find_all(
  xml_doc, 
  paste0("//w:sdt[w:sdtPr/w:tag/@w:val='", target_tag, "']//w:t"), 
  ns
) %>% xml_text()

注意事项： #

• 如果RTCC包含复杂格式（比如换行、加粗），xml_text()会自动合并所有文本节点，如果你需要保留格式，可能需要进一步解析<w:r>（运行节点）的属性
• 确保安装了最新版本的officer和xml2包，避免兼容性问题

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