在 R 中读取和扫描 MS Word .doc 文件

Question

我有一大堆 .doc 文件，它们提供了一组相应数据集中可用的变量。我想在 R 中扫描这些数据，看看哪些数据集包含感兴趣的变量。我之前已经使用 readLines 在纯文本文件上完成了此操作，但这不适用于 .doc 文件。

我已经下载了 tm 包，它应该能够使用 readDOC 命令读取 .doc 文件，但说明非常有限，我无法让它工作。有谁知道如何使用 readDOC 命令或对如何在 R 中执行此操作有其他建议？谢谢！

非常感谢大家的回复和建议。我认为 R 可以很容易地设置为读取 .doc 文件，但根据你所说的，我认为最简单的事情是首先将所有 word 文件转换为另一种格式。我刚刚下载了一些名为“Convert Doc”的免费软件，我将所有 Word 文档存储在一个文件夹中，并很快将它们全部转换为 .txt 文件。现在我可以自动执行搜索，因为我有大约 100 个数据文件以及指定变量编码的随附 Word 文档，每个数据文件中的变量编码并不总是相同（例如，对于是/否，一些使用 0/1，其他使用 1/2）因此，这使我能够找到正确的变量并使用 readLines、grep 和更多的文本处理来存储其编码。谢谢！

Answer 1

您的策略取决于您想对文档执行什么操作，以及文档结构的重要性。

如果结构很重要，那么您可以将 Word 文档转换为 HTML，然后使用该XML包提取相关部分。如果结构并不重要，那么将它们转换为纯文本并导入它们readLines（就像您之前所做的那样）可能是更好的选择。

第一个转换步骤将是棘手的部分。您可以通过右键单击并选择“另存为”来手动执行此操作，这对于少量文件来说是最简单的技术。

在 R 中，您可能需要通过RDCOMClient 包执行一些涉及 COM 连接的操作。这通常很繁琐。

尽管我讨厌建议使用 VBScript 来完成任何事情，但对于这项任务来说，它可能比 R 好得多，因此请考虑使用该语言进行重新保存。