如何从XML读取的HTML表格中提取无HTML标签文本并关联变量？

一、清理HTML标签（替代正则的可靠方法） #

直接用XML包的HTML解析能力提取纯文本，比正则匹配标签更稳定，能处理嵌套标签、带属性的标签等复杂情况：

library(XML)

# 假设你的数据框名为df，V1是存储带HTML标签文本的列
df$raw_clean_text <- sapply(df$V1, function(html_str) {
  # 将字符串解析为HTML文档对象
  html_doc <- htmlParse(html_str, asText = TRUE, encoding = "UTF-8")
  # 提取文档中的纯文本内容
  xmlValue(html_doc)
})

二、提取并分离末尾的变量标识 #

针对末尾固定格式的(数字 - 变量名)标识，用精准的字符串匹配或定位方法提取，避免正则的不确定性：

方法1：用stringr包的精准正则匹配 #

library(stringr)

# 提取末尾的变量标识
df$variable_id <- str_extract(df$raw_clean_text, "\\([0-9]+ - [A-Za-z0-9_]+\\)$")

# 移除标识，得到纯问题文本
df$question_text <- str_remove(df$raw_clean_text, "\\([0-9]+ - [A-Za-z0-9_]+\\)$") %>% 
  trimws() # 去除前后多余空格

方法2：用字符串位置定位（完全避免正则） #

如果担心正则的边界问题，可以通过定位括号位置来拆分：

df <- df %>%
  rowwise() %>%
  mutate(
    # 找到最后一个左括号的位置
    paren_start = str_locate(raw_clean_text, "\\(")[, 1],
    # 提取变量标识
    variable_id = substr(raw_clean_text, paren_start, nchar(raw_clean_text)),
    # 提取问题文本并清理空格
    question_text = trimws(substr(raw_clean_text, 1, paren_start - 1))
  ) %>%
  ungroup()

关键优势 #

• 用XML解析清理HTML标签：真正理解HTML结构，不会出现正则漏匹配或误删内容的情况。
• 变量标识提取：两种方法都针对固定格式做精准处理，比通用正则更稳定，适配标识的固定结构。

内容的提问来源于stack exchange，提问作者Chris