本文介绍如何利用 rvest 包高效解析本地 html 文件，定位并提取指定 meta 标签（如 `creation_date`、`subject` 等）的 `content` 属性值，兼顾通用批量提取与单字段精准抓取两种实用场景。
在文本分析与档案数据处理任务中，常需从大量已下载的 html 文件（如邮件存档、网页快照）中结构化提取元信息。R 语言生态中的 rvest 包为此类 HTML 解析提供了简洁而强大的支持。核心思路是：不依赖正则匹配行文本，而是将 HTML 视为树状文档对象，通过 CSS 选择器精准定位 元素及其属性。
✅ 推荐做法：使用 html_element() + 属性选择器（精准提取单字段）
若仅需获取 creation_date 的值（如示例中 “2000-11-22″），应避免错误地使用 html_element(‘creation_date’)（该写法会查找
library(rvest) # 读取本地 HTML 文件 html <- read_html(">% html_element('meta[name="creation_date"]') %>% html_attr("content") print(creation_date) # 输出: "2000-11-22"同理，可快速提取其他字段：
creator <- html %>% html_element('meta[name="creator"]') %>% html_attr("content") subject <- html %>% html_element('meta[name="subject"]') %>% html_attr("content") to <- html %>% html_element('meta[name="to"]') %>% html_attr("content") record_type <- html %>% html_element('meta[name="record_type"]') %>% html_attr("content")⚠️ 注意事项： html_element() 返回第一个匹配元素；若某字段可能缺失，建议用 html_elements() + length() > 0 判断，或配合 possibly()（来自 purrr）做容错处理； html_attr(“content”) 在无匹配时返回 NA，而非报错，适合批量处理； 属性名（如 “name”）区分大小写，务必与 HTML 源码完全一致（如 “creation_date” 不是 “Creation_Date”）。
? 批量提取所有 meta 字段（结构化输出）
当需一次性获取全部元数据并生成数据框时，推荐以下通用模式：
立即学习“前端免费学习笔记（深入）”；
meta_df <- html %>% html_elements('meta') %>% { data.frame( name = html_attr(., "name", default = NA_character_), value = html_attr(., "content", default = NA_character_) ) } print(meta_df) # 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此方法自动对齐 name 与 content，便于后续 dplyr::pivot_wider() 转为宽表，或直接 Filter(name %in% c(“creation_date”, “subject”)) 子集筛选。
✅ 最佳实践总结
- 永远优先使用语义化选择器（如 meta[name=”xxx”]），而非基于行号或字符串匹配，确保鲁棒性；
- 对单文件多字段提取，建议先批量抓取再子集，减少重复解析开销；
- 处理大批量 HTML 文件时，可封装为函数并结合 map_dfr() 实现并行化；
- 若 HTML 存在编码问题（如中文乱码），在 read_html() 中显式指定 encoding = “UTF-8” 或 “GBK”。
掌握这一模式后，你不仅能解析邮件元数据，还可轻松扩展至网页标题、描述、关键词、Open Graph 标签等任意 信息提取任务。