如何将大量RTF文件导入R并关联文件名适配tidytext？

嘿，我刚好处理过类似的批量RTF文本分析任务，结合你提到的思路，给你整理一套能直接用的流程，完美适配tidytext的需求：

1. 先装好必备的R包 #

要处理RTF读取、数据整理和文本分词，这几个包是核心：

# 首次运行先安装（已装过的话跳过）
install.packages(c("textreadr", "tidyverse", "tidytext", "stringr"))

# 加载包
library(textreadr)
library(tidyverse)
library(tidytext)
library(stringr)

2. 定位所有RTF文件 #

先指定你的RTF文件夹路径，然后批量获取所有文件的完整路径：

# 替换成你实际的文件夹路径，比如 "C:/Documents/RTF_Files"
rtf_folder <- "path/to/your/rtf/files"

# 抓取所有后缀为.rtf的文件，带完整路径
rtf_files <- list.files(path = rtf_folder, pattern = "\\.rtf$", full.names = TRUE)

3. 批量读取并生成带文件名的数据框 #

用map_df批量处理每个文件，同时捕获读取错误（避免个别损坏文件打断整个流程），把文件名和文本内容绑定到数据框里：

# 批量读取RTF，生成包含文件名和完整文本的数据框
rtf_data <- map_df(rtf_files, function(file_path) {
  # 读取RTF内容，出错时返回NA并给出警告
  text_content <- tryCatch({
    read_rtf(file_path) %>% paste(collapse = "\n")  # 把多行文本合并成单字符串
  }, error = function(e) {
    warning(paste("⚠️ 无法读取文件：", file_path, "错误信息：", e$message))
    NA_character_
  })
  
  # 构造每行数据
  tibble(
    file_name = basename(file_path),  # 只保留纯文件名（去掉路径）
    full_text = text_content
  )
})

# 可选：过滤掉读取失败的行
rtf_data <- rtf_data %>% filter(!is.na(full_text))

4. 转换为tidytext兼容的分词格式 #

把完整文本拆成每行一个词的格式，这是tidytext分析的标准结构，同时保留文件名关联：

# 分词并转为tidy格式，可选移除停用词（比如"的""the"这类无意义词）
tidy_rtf <- rtf_data %>%
  unnest_tokens(word, full_text) %>%  # 把full_text列拆成单个词
  anti_join(stop_words)  # 移除通用停用词，不需要的话删掉这行

5. 从文件名提取信息到独立列 #

这一步完全根据你的文件名格式来调整，举个常见例子：如果文件名是project_2023_q3_sales.rtf，可以提取项目名、年份、季度：

# 示例：根据你的文件名格式自定义提取规则，这里只是参考！
tidy_rtf <- tidy_rtf %>%
  mutate(
    project_name = str_extract(file_name, "^\\w+"),  # 提取开头的项目名
    year = str_extract(file_name, "\\d{4}"),  # 提取4位年份
    quarter = str_extract(file_name, "q\\d"),  # 提取季度（q1/q2这类）
    document_type = str_extract(file_name, "(?<=_)\\w+(?=\\.rtf)")  # 提取.rtf前的文档类型
  )

小贴士：如果不确定正则怎么写，可以用str_view_all(file_name, "你的正则")来测试匹配效果。

6. 验证结果 #

最后检查一下数据是否符合预期：

# 查看前几行分词后的数据
head(tidy_rtf)

# 统计每个文件的词数
rtf_data %>%
  mutate(word_count = str_count(full_text, "\\w+")) %>%
  select(file_name, word_count) %>%
  arrange(desc(word_count))

内容的提问来源于stack exchange，提问作者feder80