本文介绍使用 rvest 包从本地 html 文件中精准提取 `` 标签的 `name` 和 `content` 属性，尤其适用于批量解析元数据（如 creation_date、subject、to 等），提供通用方案与针对性单值提取两种实践方式。
在 R 中解析 HTML 元数据（如档案系统中的 record_type、creator、creation_date、subject、to 等）是一项常见但需谨慎处理的任务。直接用字符串匹配或错误的 CSS 选择器（如 html_element('creation_date')）会导致返回 NULL —— 因为 creation_date 并非 HTML 标签名，而是 标签的 name 属性值。
正确做法是利用 CSS 属性选择器 定位目标 元素，并通过 html_attr() 提取其 content 值。以下为完整、可复用的解决方案：
✅ 通用批量提取：获取全部关键元数据
library(rvest)
# 读取本地 HTML 文件
html <- read_html("/Users/.../A1.html")
# 提取所有 meta 标签的 name 和 content，构建成数据框
meta_df <- html %>%
html_elements("meta") %>% # 选取全部 节点
{
data.frame(
name = html_attr(., "name", default = NA_character_),
value = html_attr(., "content", default = NA_character_)
)
}
# 查看结果（自动去重并结构化）
print(meta_df)输出示例：
name value 1 record_type FEDERAL (NOTES MAIL) 2 creator redacted 3 creation_date 2000-11-22 4 to redacted 5 cc 6 bcc 7 subject fwd: re: fwd: Accomplishments section of Progress Report
✅ 精准单值提取：快速获取特定字段（推荐用于自动化流程）
若只需 creation_date，应使用带属性过滤的 CSS 选择器（meta[name="creation_date"]），避免遍历全部 meta：
立即学习“前端免费学习笔记（深入）”；
creation_date <- html %>%
html_element('meta[name="creation_date"]') %>%
html_attr("content")
# 返回字符型日期："2000-11-22"
print(creation_date)同理，其他字段可一键获取：
record_type <- html %>% html_element('meta[name="record_type"]') %>% html_attr("content")
subject <- html %>% html_element('meta[name="subject"]') %>% html_attr("content")
to_address <- html %>% html_element('meta[name="to"]') %>% html_attr("content")⚠️ 注意事项与最佳实践
-
空值防护：html_element() 在未匹配时返回 NULL，直接调用 html_attr() 会报错。建议添加安全包装：
safe_attr <- function(x, attr_name) { if (is.null(x)) return(NA_character_) html_attr(x, attr_name) } creation_date <- safe_attr(html %>% html_element('meta[name="creation_date"]'), "content") - 编码兼容性：若 HTML 文件含中文或特殊字符，确保 read_html() 指定正确编码（如 read_html(file, encoding = "UTF-8")）。
- 批量处理扩展：对多个 HTML 文件，可用 list.files() + lapply() 封装为函数，统一返回长格式元数据表，便于后续 dplyr::bind_rows() 合并分析。
掌握这一模式后，你不仅能稳定提取 ARMS 邮件系统等结构化 HTML 文档的元信息，还可灵活适配各类基于 的网页元数据采集场景——简洁、健壮、符合现代 R Web Scraping 最佳实践。
