如何从officer读取的多docx合并DataFrame提取指定Heading1区段

基于你已合并的docx数据框df，可以通过按文档分组+标记目标区段的方式，精准提取从匹配"Title 1"的Heading 1开始，到下一个Heading 1之前的所有内容。以下是具体实现代码：

library(dplyr)
library(purrr)

df_target <- df %>%
  group_by(doc_index) %>%
  mutate(
    # 记录当前文档中所有Heading 1的行索引
    heading_positions = list(which(style_name == "heading 1")),
    # 在Heading 1中筛选出文本包含"Title 1"的起始行索引
    target_starts = list(
      heading_positions[[1]][grepl("Title 1", text[heading_positions[[1]]])]
    )
  ) %>%
  # 提取每个目标起始点到下一个Heading 1之前的行
  slice({
    if (length(target_starts[[1]]) == 0) {
      integer(0)
    } else {
      map(target_starts[[1]], function(start) {
        next_heading <- heading_positions[[1]][heading_positions[[1]] > start][1]
        if (is.na(next_heading)) start:n() else start:(next_heading - 1)
      }) %>% unlist()
    }
  }) %>%
  ungroup() %>%
  # 移除临时辅助列
  select(-heading_positions, -target_starts)

代码说明： #

1. 按文档分组：通过group_by(doc_index)确保每个docx文件的内容独立处理，避免跨文档的区段混淆
2. 标记关键位置：
   • heading_positions：记录当前文档中所有style_name为"heading 1"的行索引
   • target_starts：从这些Heading 1中筛选出文本包含"Title 1"的行，作为目标区段的起始点
3. 提取目标区段：
   • 对每个目标起始点，找到下一个Heading 1的位置；如果是文档最后一个Heading 1，则提取到文档末尾
   • 用map处理一个文档中存在多个匹配"Title 1"的Heading 1场景
4. 清理临时列：移除辅助计算的列，得到干净的目标数据

可选调整： #

• 如果需要忽略大小写匹配（比如匹配"title 1"、"TITLE 1"），将grepl("Title 1", ...)改为grepl("Title 1", ..., ignore.case = TRUE)
• 如果只需要提取第一个匹配的区段，把target_starts[[1]]改为target_starts[[1]][1]即可

内容的提问来源于stack exchange，提问作者AudileF