如何用R移除字符串中的HTML标签及解决代码执行异常问题

问题分析 #

你遇到的问题主要来自两点：

• str_replace默认只替换第一个匹配项，没法批量移除所有HTML标签；
• 正则表达式</?.*?>不够严谨，且管道里错误使用df$colstr而非直接引用列名，导致报错或效果不符合预期。

解决方案 #

我们可以通过更精准的正则表达式和正确的字符串替换函数解决问题，分两种实现方式：

1. 基础R原生方法

用gsub（全局替换）配合正则表达式<[^>]+>，该表达式能精准匹配所有以<开头、>结尾的HTML标签（HTML标签内部不会包含>，所以匹配更安全）：

# 直接修改原数据框
df$colstr <- gsub("<[^>]+>", "", df$colstr)

2. Tidyverse管道风格方法

使用stringr包的str_replace_all（全局替换所有匹配项），管道操作时直接引用列名即可：

library(dplyr)
library(stringr)

# 生成清理后的新数据框
df_clean <- df %>%
  mutate(colstr = str_replace_all(colstr, "<[^>]+>", "")) %>%
  # 可选：合并多余空格，让文本更整洁
  mutate(colstr = str_squish(colstr))

效果验证 #

处理后的示例数据结果如下：

print(df_clean)
#   id                                                                 colstr
# 1  1                107. Did the Goodie bag encourage you to go back for your month one PrEP refill?
# 2  2                 110. Have you ever seen the brochure that is contained in the 'Goodie Bag'?
# 3  3                116. Have you ever used the call-in line phone number on the brochure?
# 4  4 Review the data entered and make sure there is *no missing data*. Thereafter, click on save & exit record to save this interview

关键说明 #

• 正则<[^>]+>：比</?.*?>更精准，能避免惰性匹配带来的意外错误；
• str_replace_all：和str_replace的区别是会替换所有匹配到的标签，而非仅第一个；
• 管道中使用列名：mutate里直接写列名即可，不用加df$，否则会破坏管道的数据传递逻辑引发报错。

内容的提问来源于stack exchange，提问作者Rstudyer