如何将officer::read_docx应用于整个文件夹以标准化文档内容

我来帮你实现用officer包批量处理整个文件夹的docx文档，把正文和表格内容都标记好方便后续整理！下面是具体步骤和代码：

1. 准备工作：安装并加载所需包 #

首先确保你已经安装了核心处理包officer，还有用来批量迭代的purrr和整理结果的dplyr：

install.packages(c("officer", "purrr", "dplyr"))
library(officer)
library(purrr)
library(dplyr)

2. 批量读取并处理文件夹中的所有docx #

先设置你的docx文件夹路径，然后用代码自动抓取所有docx文件，逐个完成读取和标记：

# 替换成你的目标文件夹绝对路径
docx_folder <- "你的docx文件夹路径"

# 获取文件夹里所有docx文件的完整路径（只匹配后缀为.docx的文件）
docx_files <- list.files(path = docx_folder, pattern = "\\.docx$", full.names = TRUE)

# 批量处理每个文档，提取带类型标记的内容
processed_docs <- map(docx_files, function(file_path) {
  # 读取单个docx文档
  doc <- read_docx(file_path)
  # 提取文档摘要：自动标记内容是正文段落还是表格单元格
  doc_summary <- docx_summary(doc)
  # 给每条内容加上来源文件名，方便后续溯源
  doc_summary$source_file <- basename(file_path)
  return(doc_summary)
})

# 把所有文档的处理结果合并成一个统一的数据框，方便后续操作
all_processed_data <- bind_rows(processed_docs)

3. 区分并提取正文/表格内容 #

docx_summary返回的数据框里有个content_type列，会明确标记内容是paragraph（正文段落）还是table cell（表格单元格），你可以轻松筛选出需要的部分：

# 提取所有正文内容（还可以在这里过滤掉表格前后的无关文本）
body_text <- all_processed_data %>%
  filter(content_type == "paragraph") %>%
  select(source_file, text)

# 提取所有表格内容（row_id和cell_id可以帮你还原表格的原始结构）
table_content <- all_processed_data %>%
  filter(content_type == "table cell") %>%
  select(source_file, text, row_id, cell_id)

4. 实用小提示 #

• 如果表格前后的无关文本有规律（比如包含特定关键词），可以在筛选正文时加上额外条件，比如filter(content_type == "paragraph" & !grepl("无关关键词", text))来快速过滤。
• 要是遇到加密或损坏的docx文件，read_docx可能会报错，你可以用purrr::safely包裹处理逻辑，避免整个批量流程中断。
• 若文档里有图片、公式这类非文本内容，docx_summary不会提取，需要的话可以结合docxtractr包补充处理。

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