如何在R语言DataFrame列中移除HTML标签及指定元素？

方法一：使用rvest包（推荐，更可靠） #

专门的HTML解析工具能自动处理转义实体和嵌套标签，避免手写正则的疏漏。

# 首次使用安装依赖包
install.packages(c("rvest", "dplyr", "stringr"))

# 加载工具包
library(rvest)
library(dplyr)
library(stringr)

# 假设你的数据框是df，目标列名为content
df_cleaned <- df %>%
  mutate(clean_content = map_chr(content, function(text) {
    # 处理空值或无效字符串
    if (is.na(text) || text == "") return("")
    # 包裹成完整HTML结构后解析，提取纯文本
    html_text(read_html(paste0("<html>", text, "</html>")), trim = TRUE) %>%
      # 清理多余的换行、空格
      str_squish()
  }))

说明 #

• read_html会自动解码所有HTML转义实体（如<转为<、"转为"）
• html_text直接剥离所有HTML标签、注释和属性，只保留可见文本
• str_squish统一清理多余的空白字符，让文本更整洁

方法二：使用正则表达式（轻量方案） #

如果不想引入额外依赖，可以用正则手动处理，需覆盖所有转义场景：

library(dplyr)
library(stringr)

df_cleaned <- df %>%
  mutate(clean_content = content %>%
           # 解码常见HTML转义实体
           str_replace_all("&lt;", "<") %>%
           str_replace_all("&gt;", ">") %>%
           str_replace_all("&quot;", '"') %>%
           str_replace_all("&#039;", "'") %>%
           str_replace_all("&amp;", "&") %>%
           # 移除HTML注释和所有标签
           str_replace_all("<!--.*?-->", "") %>%
           str_replace_all("<[^>]+>", "") %>%
           # 清理冗余空白
           str_squish())

说明 #

• 先转义所有HTML实体，确保正则能正确匹配标签
• <[^>]+>匹配所有以<开头、>结尾的HTML标签
• <!--.*?-->匹配并移除HTML注释内容

常见问题解决 #

之前的方案出错大概率是因为：

1. 未处理HTML转义实体（比如直接匹配</div>但实际内容是</div>）
2. 正则表达式未覆盖嵌套标签、带属性的标签等复杂情况
3. 未处理空值或异常字符串导致的报错

内容的提问来源于stack exchange，提问作者adrCoder