如何从单段HTML中提取键值对（附R语言实现尝试）

场景说明：
需要从HTML文件中提取键值对，但所有信息都集中在单个<p>段落内，仅通过<strong>标记高亮显示键，没有对应每个键值对的独立HTML节点（如div）。目标是将键值对整理为数据框的两列，或两个等长列表，要求key 1对应value 1，key 2对应合并后的value 2a和value 2b，key 3对应value 3，同时处理文件中不一致的换行问题。

以下是将HTML视为原始文本的初步实现方案：

library(tidyverse)
library(rvest)

html <- minimal_html(
  "<p>
    <strong>key 1</strong> value 1
    <br></br>
    <strong>key 2</strong> value 2a
    <br></br>
    value 2b
    <br></br>
    <strong>key 3</strong> 
    <br></br>
    value 3
  </p>"
)

# 以原始文本处理的临时方案
s <- html |> 
  html_elements("p") |> 
  as.character()

parse_html <- function(s) {
  s |> 
    read_html() |> 
    html_text2()
}

s |> 
  str_replace_all("<strong>(.*)</strong>", "✂️\\1🔧") |> 
  str_split_1("✂️") |> 
  map_chr(parse_html) |> 
  discard(\(x) str_length(x) == 0L) |> 
  str_split("🔧") |> 
  map(str_squish)
#> [[1]]
#> [1] "key 1"   "value 1"
#> 
#> [[2]]
#> [1] "key 2"             "value 2a value 2b"
#> 
#> [[3]]
#> [1] "key 3"   "value 3"

Created on 2024-01-18 with reprex v2.1.0

内容的提问来源于stack exchange，提问作者dufei