python - 获取 R 中 doc/docx 文件的字数

Question

我有一个 doc/docx 文档流，我需要计算其中的字数。

到目前为止的过程是手动打开文档并记下 MS Word 本身提供的字数统计，我正在尝试使用 R 使其自动化。

这是我尝试过的:

library(textreadr)
library(stringr)
myDocx = read_docx(myDocxFile)
docText = str_c(myDocx , collapse = " ")
wordCount = str_count(test, "\\s+") + 1

不幸的是，wordCount 不是 MS Word 建议的。

例如，我注意到 MS Word 计算编号列表中的数字，而 textreadr 甚至不导入它们。

有解决办法吗？我也不介意在 Python 中尝试一些东西，尽管我在这方面的经验较少。

如有任何帮助，我们将不胜感激。

Answer 1

这应该可以使用 R 中的 tidytext 包来完成。

library(textreadr)
library(tidytext)
library(dplyr)

#read in word file without password protection
x <- read_docx(myDocxFile)
#convert string to dataframe
text_df <-tibble(line = 1:length(x),text = x)
#tokenize dataframe to isolate separate words
words_df <- text_df %>%
  unnest_tokens(word,text)
#calculate number of words in passage
word_count <- nrow(words_df)