如何用stringr/stringi从.Rmd文件提取小节及标题并生成data.frame？

从Rmd文件提取小节并生成结构化数据框的解决方案 #

针对你需要从.Rmd文件中提取##级小节并生成包含标题、标签、文本的数据框的需求，我整理了一套基于stringr和tibble的实现方案，步骤清晰且能处理常见的Rmd格式场景：

1. 加载必要的R包

首先确保你安装了所需的包，然后加载它们：

# 如果未安装先执行：install.packages(c("stringr", "dplyr", "tibble", "readtext"))
library(stringr)
library(dplyr)
library(tibble)
library(readtext)

2. 读取Rmd文本（示例）

如果你还没读取目标文件，可以用readtext快速加载：

# 读取本地Rmd文件
dt <- readtext("01-tidy-text.Rmd")
# 或者读取远程文件：dt <- readtext("https://raw.githubusercontent.com/dgrtwo/tidy-text-mining/master/01-tidy-text.Rmd")
strEntireText <- dt[1, 1]

3. 提取所有完整小节内容

使用正则表达式的正向预查特性，精准匹配从##开头到下一个#/##或文件结尾的完整小节：

# 匹配所有##级小节，dotall=TRUE让.匹配换行符，实现跨多行提取
strAllSections <- str_extract_all(strEntireText, pattern = "(##.*?)(?=\\n#|\\n##|\\Z)", dotall = TRUE)[[1]]

正则逻辑说明：

• ##.*?：非贪婪匹配以##开头的内容，避免过度抓取到下一个小节
• (?=\\n#|\\n##|\\Z)：正向预查结束边界——换行后是#/##（下一个小节标题），或者文件末尾\\Z

4. 拆分小节的标题、标签和正文

将提取到的完整小节拆分成结构化字段，同时处理带{#标签}格式的标题：

# 生成结构化数据框
section_df <- tibble(full_section = strAllSections) %>%
  # 提取小节的标题行（第一行，以##开头）
  mutate(title_line = str_extract(full_section, "^##.*"),
         # 提取小节标签（如果存在，比如{#section-1}格式）
         section_tag = str_extract(title_line, "(?<=\\{#)[^\\}]+"),
         # 提取纯标题文本（去掉##前缀和标签后缀）
         section_title = str_trim(str_remove(str_remove(title_line, "^## "), "\\{#[^\\}]+\\}")),
         # 提取小节正文（去掉标题行，修剪多余空格）
         section_text = str_trim(str_remove(full_section, "^##.*\\n?")))

字段说明：

• section_title：纯小节标题（去除##前缀和标签后缀）
• section_tag：小节的HTML锚点标签（如果Rmd里定义了），无标签则为NA
• section_text：小节的正文内容（去除标题行后的纯文本）

5. 查看结果

运行后，section_df就是你需要的结构化数据，每行对应一个##级小节：

# 查看前几行结果
head(section_df)

这个方案能处理大多数标准Rmd的小节格式，包括带标签和不带标签的情况，后续你可以根据需求继续扩展其他字段（比如小节层级、代码块提取等）。

内容的提问来源于stack exchange，提问作者IVIM