問題來自頭條文章：

www.toutiao.com/article/7170606479974646284/?log_from=5f6d1680db622_1669688728187

他們總說，R 語言處理文本數(shù)據(jù)、自動化辦公不行，是真不行嗎？本篇就來個?吊打 Python?看看。

1 問題描述

• 有多個 word 文檔：

• 文檔內(nèi)容：

• 需求：

批量讀取 word 文檔內(nèi)容，按名目：序號、方名、組成、用法、主治、備注，整理成 Excel 表格，結(jié)果如下：

注：若未包含【組成】【用法】【主治】，則內(nèi)容都?xì)w入備注。

2 解決問題

首先強(qiáng)調(diào)：文本數(shù)據(jù)處理，肯定離不開正則表達(dá)式！

• 加載包

• 批量讀取 word 文檔

得到的結(jié)果是數(shù)據(jù)框，每個文檔占一行，doc_id?列是文件名，text?列是文檔內(nèi)容，一個文檔內(nèi)容整個是一個字符串。

• 按藥方切分列

此時，一個藥方占一行了。

• 解決一個藥方的信息提取，寫成函數(shù)

說明：都是正則表達(dá)式提取，主要用到零寬斷言，根據(jù)兩端標(biāo)志提取中間想要的內(nèi)容。為什么看著這么啰嗦呢？是因?yàn)閿?shù)據(jù)是有陷阱的：不是每個藥方都包含【組成】、【用法】、【主治】，所以右端需要設(shè)置為下一項(xiàng)或結(jié)尾標(biāo)志$。

測試一個看看：

沒問題?。ㄎ也铧c(diǎn)被對不齊給騙了）

• 循環(huán)迭代，批量解決問題

就是把函數(shù)?f?依次應(yīng)用到數(shù)據(jù)的?text列，結(jié)果按行合并：

• 寫出到 Excel 文件

結(jié)果就是問題描述中的結(jié)果表（略）。

問題解決！

以上是為了給大家展示中間過程，方便大家理解。拿掉不必要的中間過程，借助管道，完整代碼如下：

附錄

我主張的數(shù)據(jù)編程思維：

我的R語言新書：《R語言編程—基于tidyverse》

電子搶讀版已上線（人郵）異步社區(qū)，紙質(zhì)版預(yù)計(jì)12月底上市：

《R語言編程：基于tidyverse》電子搶讀版購買地址：

https://www.epubit.com/bookDetails?id=UB7db2c0db9f537&tabName=%E6%8A%A2%E8%AF%BB%E7%89%88&floorName=%E7%B2%BE%E9%80%89%E7%BA%B8%E4%B9%A6