如何使用R包将字符串中#39;s类HTML编码替换为对应ASCII字符

• 你不需要借助临时文件调用rvest，该包本身就支持直接解析零散HTML片段，不存在仅能处理规范完整HTML页面的限制。
• rvest::read_html() 底层依赖libxml2解析器，对输入内容的格式兼容性很强，不管是完整HTML页面、还是从JSON中提取出的零散标签片段，只要传入字符串形式的HTML内容就能自动完成结构解析，不需要额外做格式补全。

具体实现流程 #

1. 先调用jsonlite包的fromJSON()函数解析原始JSON数据，提取出封装在字段里的HTML片段字符串。
2. 直接将提取到的HTML字符串传入read_html()完成解析，后续就可以和处理完整页面一样，用html_element()、html_text2()、html_attr()等函数提取目标内容。

参考实现代码：

library(rvest)
library(jsonlite)

# 解析原始JSON数据
raw_json_input <- '{"item": "<div class=\"card\"><h4>片段标题</h4><p>片段正文<span class=\"tag\">标签</span></p></div>"}'
json_parsed <- fromJSON(raw_json_input)
# 提取内嵌HTML片段
html_snippet <- json_parsed$item

# 直接解析片段，无需临时文件
snippet_doc <- read_html(html_snippet)

# 常规选择器提取内容
title <- snippet_doc |> html_element("h4") |> html_text2()
content <- snippet_doc |> html_element("p") |> html_text2()
tag <- snippet_doc |> html_element(".tag") |> html_text2()

特殊场景备选方案 #

如果遇到残缺标签较多、结构破损严重的HTML片段，rvest默认解析效果不符合预期时，可以搭配htmltools包对片段做前置修复，或直接使用xml2::read_html()函数调整解析参数适配特殊格式，不需要更换整套处理逻辑。

注意：将HTML片段写入临时文件再读取的方案属于冗余操作，会增加不必要的磁盘IO开销，没有实际使用必要。

内容的提问来源于stack exchange，提问作者wdkrnls