本文介绍如何利用 rvest 包精准提取 html 文件中 `` 标签的 `name` 和 `content` 属性，特别是针对 `creation_date` 等结构化元数据的提取方法，并提供可复用的代码模板与关键注意事项。
在网页数据采集（web scraping）实践中，许多归档 HTML 文件（如政府邮件系统导出页、CMS 生成页面等）将关键元信息嵌入 标签中，而非可见正文。这类结构化元数据（如 record_type、creator、creation_date、subject、to）虽不渲染为页面内容，却是自动化解析的核心目标。R 语言生态中，rvest 是最成熟、语法简洁的 HTML 解析工具，配合 CSS 选择器可实现高精度定位。
以下为完整操作流程：
✅ 步骤一：读取 HTML 并解析为节点对象
首先确保已安装并加载 rvest（及依赖 xml2）：
library(rvest)
html <- read_html("/Users/.../A1.html") # 路径需替换为实际文件位置注意：read_html() 自动处理编码与基础解析，无需手动指定 encoding（除非遇到乱码，此时可加 encoding = "UTF-8" 参数）。
立即学习“前端免费学习笔记（深入）”；
✅ 步骤二：批量提取所有 meta 标签的 name/content 对
若需一次性获取全部元字段（如后续需动态映射或校验完整性），推荐使用 html_elements("meta") 配合管道赋值：
meta_df <- html %>%
html_elements("meta") %>%
{
data.frame(
name = html_attr(., "name", NA_character_),
value = html_attr(., "content", NA_character_)
)
}该代码返回一个两列数据框，例如： | name | value | |-----------------|------------------------------------| | record_type | FEDERAL (NOTES MAIL) | | creator | redacted | | creation_date | 2000-11-22 | | to | redacted | | subject | fwd: re: fwd: Accomplishments... |
? 提示：使用 NA_character_ 替代空字符串 "" 作为缺失默认值，更符合 R 的数据类型规范，便于后续 dplyr::filter() 或 tidyr::pivot_wider() 操作。
✅ 步骤三：精准提取单个字段（如 creation_date）
当仅需特定字段时，应使用带属性筛选的 CSS 选择器，避免遍历全部 meta 标签，显著提升性能与鲁棒性：
creation_date <- html %>%
html_element('meta[name="creation_date"]') %>%
html_attr("content")
# 输出: "2000-11-22"此处 'meta[name="creation_date"]' 是标准 CSS 选择器，等价于“查找 name 属性值恰好等于 creation_date 的第一个 标签”。若该标签不存在，html_element() 返回 NULL，进而 html_attr() 返回 NA —— 这是安全的设计，无需额外 tryCatch，但建议对关键字段做存在性检查：
if (is.null(creation_date) || is.na(creation_date)) {
warning("Missing 'creation_date' meta tag in file.")
}⚠️ 关键注意事项
- 大小写敏感：HTML 属性名（如 name, content）在 CSS 选择器中不区分大小写，但属性值（如 "creation_date"）严格区分；确保拼写与源 HTML 完全一致。
-
空格与空白符：html_attr() 默认保留原始 content 值中的首尾空格（如示例中 " "）。如需清洗，可链式添加 trimws()：
html %>% html_element('meta[name="to"]') %>% html_attr("content") %>% trimws() - 多值场景：若同一 name 出现多次（如多个 meta[name="keyword"]），应改用 html_elements() 并取 [[1]] 或合并为字符串，避免静默截断。
- 文件路径健壮性：生产脚本中建议用 file.exists() 验证路径，或使用 here::here() 管理相对路径。
通过以上方法，您可构建稳定、可扩展的 HTML 元数据提取流水线，轻松适配成百上千个类似结构的归档文件，为后续分析、清洗或入库奠定坚实基础。
