如何用R的download.file函数下载不含图片的原始HTML文件？

嘿，刚好碰到过类似的需求，来给你捋清楚！

首先得澄清一个关键点：默认情况下download.file()只会下载HTML文档的文本源代码，并不会自动下载页面里的外部图片、CSS或JS资源——这些资源都是通过URL引用的，本身并不包含在HTML文件里。所以如果你的需求只是「不下载图片资源」，那直接用你的代码逻辑就已经满足了，它只会保存纯HTML结构，不会额外拉取图片文件。

下面分两种场景给你具体方案：

场景1：仅下载纯HTML（不包含外部图片，默认行为） #

直接完善你的循环代码即可，注意指定文本模式和编码避免乱码：

url_list <- c("http://www.spiegel.de/", "http://www.faz.net/")
dest_list <- c("test1.html", "test2.html")

# 循环下载每个URL对应的HTML
for (i in seq_along(url_list)) {
  download.file(url = url_list[i], destfile = dest_list[i], mode = "w", encoding = "UTF-8")
}

这段代码保存的HTML里只会保留<img src="xxx.jpg">这类引用标签，图片本身的二进制数据不会被下载到本地。

场景2：移除HTML中的内嵌base64图片 #

如果目标页面存在内嵌的base64格式图片（比如<img src="data:image/png;base64,...">），这类图片是直接嵌入在HTML文本里的，会大幅增加文件体积。这种情况需要下载后再处理HTML，移除这些内嵌内容：

首先安装并加载rvest包（处理HTML的利器）：

install.packages("rvest")
library(rvest)

然后修改循环，增加处理步骤：

for (i in seq_along(url_list)) {
  # 先下载原始HTML
  download.file(url = url_list[i], destfile = dest_list[i], mode = "w", encoding = "UTF-8")
  
  # 读取HTML内容，定位并移除所有内嵌base64图片标签
  html_content <- read_html(dest_list[i])
  html_content %>% 
    html_elements("img[src^='data:image']") %>% 
    html_remove()
  
  # 保存处理后的精简版HTML
  write_html(html_content, dest_list[i], encoding = "UTF-8")
}

这样处理后，HTML里的内嵌图片就被彻底移除，文件体积会明显缩小，达到提升存储效率的目的。

如果需要更精细的控制（比如移除所有外部资源引用），还可以结合httr包获取HTTP响应后手动处理，但上面的方案已经能覆盖绝大多数场景啦～

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