lea un archivo MSWord en R

Question

¿Es posible leer un archivo MSWord 2010 en R? Tengo Windows 7 y una PC Dell.

estoy usando la línea:

my.data <- readLines('c:/users/mark w miller/simple R programs/test_for_r.docx') 

a tratar de leer un archivo de MS Word que contiene el siguiente texto:

A 20 1000 AA 
B 30 1001 BB 
C 10 1500 CC 

me sale un mensaje de aviso que dice: Mensaje de

Advertencia : En readLines ("c:/users/mark w milller/simple R programs/test_for_r.docx"): línea final incompleta que se encuentra en 'c:/users/mark wm Iller programas de I/simples/test_for_r.docx'

y my.data parece ser un galimatías:

# [1] "PK\003\004\024" "¤l"    "ÈFÃË‹Átí" 

Sé que con este ejemplo simple podría fácilmente convertir el archivo MS Word a un formato diferente. Sin embargo, mis archivos de datos actuales consisten en tablas complejas que se escribieron hace décadas y luego se escanearon en documentos PDF más adelante. La antigüedad del documento en papel original y tal vez las imperfecciones en el documento original, el proceso de mecanografía y/o escaneo han resultado en que algunas letras y números no sean muy claros. Hasta ahora, convertir los archivos pdf a MSWord parece ser el más exitoso para traducir correctamente las tablas. Convertir los archivos de MSWord a Excel o texto enriquecido, etc., no ha sido muy exitoso. Incluso después de la conversión a MSWord, los archivos resultantes son muy complejos y contienen numerosos errores. Pensé que si podía leer los archivos de MSWord en R podría ser la manera más eficiente de editarlos y corregirlos.

Conozco el 'paquete tm' que supongo que puede leer archivos MSWord en R, pero estoy un poco preocupado por su uso porque parece requerir la instalación de un software de terceros.

Gracias por cualquier sugerencia.

Answer 1

Primero, readLines() no es la solución correcta, ya que un archivo de Word no es un archivo de texto (es decir, texto simple, ASCII).

La función relacionada con la palabra en la tm paquete se llama readDOC() pero tanto ella como la herramienta necesaria de terceros (Antiword) son de mayor edad archivos de Word (hasta Word 2003) y no funcionará usando archivos .docx más nuevos.

Lo mejor que puedo sugerir es que intenta readPDF(), también encontrado en el tm paquete. Nota: requiere que la herramienta pdftotext esté instalada en su sistema. Fácil para Linux, sin idea de Windows. Alternativamente, encuentre una herramienta de Windows que convierta archivos PDF en archivos de texto ASCII (no en archivos de Word) - deben abrirse y visualizarse correctamente usando el Bloc de notas en Windows - luego intente readLines() nuevamente. Sin embargo, dado que sus archivos PDF son viejos y provienen de un escáner, la conversión a texto puede ser difícil.

Finalmente: me doy cuenta de que no tomó la decisión original en esta instancia, pero para cualquier otra persona: Word y PDF no son formatos adecuados para almacenar datos que desea analizar.

Answer 2

No he descubierto cómo leer el archivo MSWord en R, pero he obtenido los contenidos en un formato que R puede leer.

1. que convierte un pdf a MSWord con Acrobat X Pro

2. Las tablas originales tenían líneas verticales que separan las columnas sólidas. Resulta que estas líneas verticales estaban alterando el formato de los datos cuando convertí un archivo MSWord a un archivo de texto, pero pude eliminar las líneas de un archivo MSWord antes de crear un archivo de texto.

3. Convertir el archivo de MS Word a un archivo de texto después de eliminar las líneas verticales en el Paso 2.

4. resultantes archivos de texto todavía requieren de edición extensa, pero al menos son en gran parte presente en un formato R los datos pueden leer y yo no tendrá que volver a ingresar todos los datos en el pdfs a mano, ahorrando muchas horas de trabajo.

Answer 3

Puede hacerlo con RDCOMClient muy fácilmente. Al decirlo, algunos caracteres no se leerán correctamente.

require(RDCOMClient) 
# Create the connection 
wordApp <- COMCreate("Word.Application") 
# Let's set visible to true so you can see it run 
wordApp[["Visible"]] <- TRUE 

# Define the file we want to open 
wordFileName <- "c:/path/to/word/doc.docx" 
# Open the file 
doc <- wordApp[["Documents"]]$Open(wordFileName) 
# Print the text 
print(doc$range()$text())