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，支持批量结构化抽取与容错处理。
在政务、档案或邮件系统导出的 HTML 文档中，关键元数据（如记录类型、创建者、日期、收件人、主题等）通常以 标签形式嵌入
区域。R 语言中，rvest 是专为网页抓取设计的轻量级工具包，配合 CSS 选择器可实现精准、稳定、可复用的 HTML 元数据提取。✅ 基础准备：读取 HTML 并加载依赖
首先确保已安装并加载核心包：
install.packages("rvest")
library(rvest)假设 HTML 文件路径为 "/Users/.../A1.html"，使用 read_html() 安全读取（自动处理编码与解析错误）：
html <- read_html("/Users/.../A1.html")⚠️ 注意：若文件含中文或特殊字符，建议显式指定编码（如 read_html(..., encoding = "UTF-8")），避免乱码。
✅ 精准提取单个 meta 字段（推荐用于明确字段）
要提取 creation_date 的值，应使用带属性过滤的 CSS 选择器：meta[name="creation_date"]。这是最健壮的方式——它不依赖标签顺序或位置，仅匹配 name 属性精确等于 "creation_date" 的 元素：
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")
# 输出示例："2000-11-22"同理，可快速获取其他字段：
record_type <- html %>% html_element('meta[name="record_type"]') %>% html_attr("content")
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")? 提示：html_element() 返回首个匹配节点；若某字段缺失，结果为 NA —— 这正是你期望的容错行为，无需额外异常捕获。
✅ 批量提取全部 meta 字段（适用于未知或动态字段）
当需一次性提取所有 name/content 对（例如探索性分析或字段自查），可先选取全部 标签，再统一提取属性：
meta_df <- html %>%
html_elements('meta') %>%
{
data.frame(
name = html_attr(., "name", default = NA_character_),
value = html_attr(., "content", default = NA_character_)
)
}
# 查看结果
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...该方法生成结构化 data.frame，便于后续 dplyr::filter()、tidyr::pivot_wider() 或写入 CSV 归档。
✅ 实用增强：封装为可复用函数
为提升可维护性，建议将逻辑封装为函数，支持多文件批量处理：
extract_meta <- function(file_path, fields = c("record_type", "creator", "creation_date", "subject", "to")) {
html <- read_html(file_path, encoding = "UTF-8")
sapply(fields, function(f) {
html %>%
html_element(paste0('meta[name="', f, '"]')) %>%
html_attr("content")
}, simplify = TRUE, USE.NAMES = TRUE)
}
# 单文件调用
result <- extract_meta("/Users/.../A1.html")
# 批量处理（如处理目录下所有 .html）
files <- list.files("~/html_archive/", pattern = "\.html$", full.names = TRUE)
all_results <- lapply(files, extract_meta)
final_df <- do.call(rbind.data.frame, all_results)? 关键注意事项总结
- ❌ 错误写法 html_element('creation_date') 会尝试查找
标签（不存在），导致 NULL → 报错；务必使用 meta[name="xxx"] 语法。 - ✅ html_attr("content") 是提取 content 属性值的正确方式；html_text2() 返回标签内文本（meta 标签无闭合文本内容，故返回空）。
- ? 若 HTML 结构不规范（如 缺少 name 属性），html_attr() 默认返回 NA，符合 R 的缺失值处理惯例。
- ? 所有 rvest 函数均支持管道操作（%>%），代码简洁且易于调试。
掌握这一模式后，你不仅能可靠提取 creation_date，还可无缝扩展至任意 、 或 <script> 中的结构化元数据，为自动化文档分析、电子档案治理与合规审计提供坚实基础。</script>
