如何从含换行的HTML中提取<h2>标题文本？R正则问题求助

问题分析 #

你当前的正则存在两个核心问题：

1. 贪婪匹配：.*会从第一个</span>匹配到最后一个</h，导致多匹配场景下跳过中间的标题（比如变量c中只捕获首尾的标题）。
2. 单行模式未结合非贪婪匹配：即使开启了(?s)单行模式，贪婪匹配依然会覆盖中间结果，同时原正则未正确适配跨多行的内容结构。

正则修复方案 #

使用**非贪婪匹配.*?**结合单行模式(?s)，修改后的正则如下：

str_extract_all(target_str, '(?s)(?<=&lt;/span&gt;).*?(?=&lt;/h)')[[1]] %>% str_squish()

测试验证

• 对变量b执行：

  str_extract_all(b, '(?s)(?<=&lt;/span&gt;).*?(?=&lt;/h)')[[1]] %>% str_squish()
  # 输出：[1] "Linking data using left_join"
  

• 对变量c执行：

  str_extract_all(c, '(?s)(?<=&lt;/span&gt;).*?(?=&lt;/h)')[[1]] %>% str_squish()
  # 输出：[1] "Standardising PISA results" "Linking data using left_join" "Standardising PISA results"
  

更可靠的替代方案：使用HTML解析包 #

正则处理HTML容易受标签结构变化影响，推荐用rvest包专门解析HTML，代码更鲁棒：

library(rvest)

# 提取a中的标题
read_html(a) %>% 
  html_elements("h2") %>% 
  html_text2() %>% 
  str_remove("^\\d+\\.\\d+ ")

# 提取b中的标题
read_html(b) %>% 
  html_elements("h2") %>% 
  html_text2() %>% 
  str_remove("^\\d+\\.\\d+ ")

# 提取c中的标题
read_html(c) %>% 
  html_elements("h2") %>% 
  html_text2() %>% 
  str_remove("^\\d+\\.\\d+ ")

这个方法会自动处理HTML实体编码和换行，无需复杂正则。

内容的提问来源于stack exchange，提问作者pluke