使用R将HTML中a标签的TAGS属性从空格分隔改为逗号分隔并写回文件

问题 #

需要处理Diigo导出的HTML书签文件，将其中<a>标签的TAGS属性值从空格分隔格式改为逗号分隔格式，修改后重新写入文件。Firefox导入空格分隔的标签时会将其识别为单个长标签，无法正确解析为多个独立标签，因此需要做格式转换。

示例HTML数据 #

<!DOCTYPE NETSCAPE-Bookmark-file-1>
             <!-- This is an automatically generated file.
             It will be read and overwritten.
             DO NOT EDIT! -->
             <META HTTP-EQUIV="Content-Type" CONTENT="text/html; charset=UTF-8">
             <TITLE>Bookmarks</TITLE>
             <H1 LAST_MODIFIED="">Bookmarks</H1>
             <DL><p>
             <DT><H3 ID="">Diigo - Nathan Craig's Bookmarks</H3>
             <DL><p>
<DT><A HREF="https://github.com/ahb108/rcarbon/" LAST_MODIFIED="" TAGS="R-Language R-Library radiocarbon" ID="">ahb108/rcarbon: Methods for calibrating and analysing radiocarbon dates</A>
                <DD>
<DT><A HREF="https://docs.ropensci.org/c14bazAAR/index.html" LAST_MODIFIED="" TAGS="R-Language R-Library radiocarbon" ID="">Download and Prepare C14 Dates from Different Source Databases • c14bazAAR</A>
                <DD>
</DL><p>
             </DL><p>

已完成的步骤 #

已经成功提取并转换了标签格式，但不知道如何将修改后的标签写回原HTML文件：

library(rvest)
library(stringr)
library(htmltools)

# 读取文件
document <- read_html(here::here("data/links.htm"))

# 提取TAGS属性
tags <- document |> html_elements("a") |> html_attr("tags")
# 输出: [1] "R-Language R-Library radiocarbon" "R-Language R-Library radiocarbon"

# 转换为逗号分隔
str_replace_all(tags, " ", ",")
# 输出: [1] "R-Language,R-Library,radiocarbon" "R-Language,R-Library,radiocarbon"

解决方法 #

通过rvest的html_attr<-赋值操作，直接将转换后的标签值批量设置回<a>标签的TAGS属性，再保存整个文档即可：

library(rvest)
library(stringr)
library(here)

# 1. 读取HTML文件
document <- read_html(here("data/links.htm"))

# 2. 选中所有<a>标签
a_elements <- html_elements(document, "a")

# 3. 提取并转换标签格式
updated_tags <- str_replace_all(html_attr(a_elements, "tags"), " ", ",")

# 4. 将转换后的标签写回<a>标签的TAGS属性
html_attr(a_elements, "tags") <- updated_tags

# 5. 保存修改后的HTML文件（建议先存为新文件验证，确认无误后可覆盖原文件）
write_html(document, here("data/modified_bookmarks.htm"))

说明 #

• html_attr(a_elements, "tags") <- updated_tags：这一步是核心，直接对选中的所有<a>标签批量更新TAGS属性值。
• write_html()：将修改后的完整HTML文档写入指定路径，注意如果直接覆盖原文件，建议先备份原数据。

内容的提问来源于stack exchange，提问作者ncraig