我有一大组 .doc 文件，这些文件提供了一组相应数据集中可用的变量。我想在 R 中浏览这些数据集，看看哪些数据集包含感兴趣的变量。我之前使用 readLines 对纯文本文件执行过此操作，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 可能被设置为很容易读取 .doc 文件，但根据你所说的，我认为最简单的事情是先将所有 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，我将所有的 word 文档存储在一个文件夹中，然后很快将它们全部转换为 .txt 文件。现在我可以自动搜索，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)所以这让我可以找到正确的变量并使用 readLines、grep 和更多的文本处理来存储它的编码。谢谢!
最佳答案
您的策略取决于您要对文档执行的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 XML 包提取相关部分。如果结构不重要，那么将它们转换为纯文本并使用 readLines 导入它们(如您之前所做的那样)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”手动执行此操作，这是处理少量文件的最简单方法。
在 R 中，您可能必须通过 RDCOMClient 执行一些涉及 COM 连接的操作 package .这通常很繁琐。
尽管我不喜欢建议使用 VBScript 做任何事情，但对于这项任务来说，它可能比 R 好得多，所以请考虑使用该语言进行重新保存。
关于在 R 中读取和扫描 MS Word .doc 文件，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/19491987/