问题来自头条文章：

Python Word文档转Excel

他们总说，R 语言处理文本数据、自动化办公不行，是真不行吗？本篇就来个 吊打 Python 看看。

1 问题描述

• 有多个 word 文档：

• 文档内容：

• 需求：

批量读取 word 文档内容，按名目：序号、方名、组成、用法、主治、备注，整理成 Excel 表格，结果如下：

注：若未包含【组成】【用法】【主治】，则内容都归入备注。

2 解决问题

首先强调：文本数据处理，肯定离不开正则表达式！

• 加载包

library(readtext)     # 读取文本数据
library(tidyverse)    # stringr, tidyr包, 处理文本数据
library(writexl)      # 写出到Excel

• 批量读取 word 文档

df = readtext("word")     # 注意，word文档不能在打开状态
df

得到的结果是数据框，每个文档占一行，doc_id 列是文件名，text 列是文档内容，一个文档内容整个是一个字符串。

• 按药方切分列

df = df %>% 
  separate_rows(text, sep = "\n(?=\\d{5})")   # 切分标志是: \n五位数字序号
df

此时，一个药方占一行了。

• 解决一个药方的信息提取，写成函数

f = function(x) {
  tibble(
    序号 = str_extract(x, "^\\d{5}"),
    方名 = str_extract(x, "(?<=\\d·).*?(?=\n)"),
    组成 = str_extract(x, "(?<=【组成】).*?(?=\n【用法】|$)"),
    用法 = str_extract(x, "(?<=【用法】).*?(?=\n【主治】|$)"),
    主治 = str_extract(x, "(?<=【主治】).*?(?=\n|$)"),
    备注 = ifelse(str_detect(x, "【"), NA, str_extract(x, "(?<=\n).*#34;)))
}

说明：都是正则表达式提取，主要用到零宽断言，根据两端标志提取中间想要的内容。为什么看着这么啰嗦呢？是因为数据是有陷阱的：不是每个药方都包含【组成】、【用法】、【主治】，所以右端需要设置为下一项或结尾标志$。

测试一个看看：

f(df$text[[1]])

没问题！（我差点被对不齐给骗了）

• 循环迭代，批量解决问题

就是把函数 f 依次应用到数据的 text列，结果按行合并：

rlt = map_dfr(df$text, f)
rlt

• 写出到 Excel 文件

write_xlsx(rlt, "结果表.xlsx")

结果就是问题描述中的结果表（略）。

问题解决！

以上是为了给大家展示中间过程，方便大家理解。拿掉不必要的中间过程，借助管道，完整代码如下：

library(readtext)     # 读取文本数据
library(tidyverse)    # stringr, tidyr包, 处理文本数据
library(writexl)      # 写出到Excel

df = readtext("word") %>% 
  separate_rows(text, sep = "\n(?=\\d{5})")

f = function(x) {
  tibble(
    序号 = str_extract(x, "^\\d{5}"),
    方名 = str_extract(x, "(?<=\\d·).*?(?=\n)"),
    组成 = str_extract(x, "(?<=【组成】).*?(?=\n【用法】|$)"),
    用法 = str_extract(x, "(?<=【用法】).*?(?=\n【主治】|$)"),
    主治 = str_extract(x, "(?<=【主治】).*?(?=\n|$)"),
    备注 = ifelse(str_detect(x, "【"), NA, str_extract(x, "(?<=\n).*#34;)))
}

map_dfr(df$text, f) %>% 
  write_xlsx("结果表.xlsx")