是否存在R函数可从HTML字符串列中提取特定变量值？

问题场景 #

现有数据框包含name和bio列，其中bio是带HTML标签的长字符串，需要从中提取<status>和<profession>标签内的内容，生成对应的新列。

现有数据：

name <- c("John", "Max")
bio <- c("<status>1</status><profession>Revisor</professio>", "<status>1</status><born>19.06.1995</born><profession>Tech</professio>" )

df <- data.frame(name, bio)

期望得到包含name、status、profession列的数据框。

方法一：使用正则表达式（适合简单HTML结构） #

借助stringr包的字符串处理函数快速提取内容，注意匹配示例中不完整的结束标签</professio>：

library(stringr)

# 提取status并转换为整数
df$status <- str_extract(df$bio, "<status>(.*?)</status>") %>% 
  str_remove_all("<status>|</status>") %>% 
  as.integer()

# 提取profession
df$profession <- str_extract(df$bio, "<profession>(.*?)</professio>") %>% 
  str_remove_all("<profession>|</professio>")

# 保留需要的列
df <- df[, c("name", "status", "profession")]

方法二：使用xml2包（规范HTML解析） #

对于复杂HTML结构，用专业的HTML解析包更可靠，先补全示例中不完整的标签再解析：

library(xml2)

# 定义通用提取函数
extract_tag <- function(html_str, tag) {
  # 补全示例中不完整的结束标签
  fixed_html <- gsub("</professio>", "</profession>", html_str)
  # 包裹根标签确保解析正常
  doc <- read_html(paste0("<root>", fixed_html, "</root>"))
  # 提取目标标签的文本内容
  xml_text(xml_find_first(doc, paste0("//", tag)))
}

# 批量提取字段
df$status <- as.integer(sapply(df$bio, extract_tag, tag = "status"))
df$profession <- sapply(df$bio, extract_tag, tag = "profession")

# 整理列
df <- df[, c("name", "status", "profession")]

两种方法最终都能得到期望的数据框结构。

内容的提问来源于stack exchange，提问作者malthemidjord