本文介绍如何使用 R 语言的 stringr 包精准提取 HTML 字符串中两个关键词（如 "Regeste" 和 "Sachverhalt"）之间的全部内容（包括中间所有 HTML 标签与空白符），并适配大小写、支持跨行匹配，避免常见正则陷阱。
本文介绍如何使用 r 语言的 `stringr` 包精准提取 html 字符串中两个关键词（如 "regeste" 和 "sachverhalt"）之间的全部内容（包括中间所有 html 标签与空白符），并适配大小写、支持跨行匹配，避免常见正则陷阱。
在网页文本解析（尤其是法律文书、政府公报等结构化 HTML）中，常需按语义区块（如
Regeste
到 Sachverhalt）提取内容。此时，简单使用 str_extract(html, "Regeste.*Sachverhalt") 会失败——因为默认点号 . 不匹配换行符，且未排除起始/结束关键词本身，导致结果冗余或截断。正确做法是使用带环视（lookaround）的正则表达式，配合 [sS]*（匹配任意字符，含换行）实现跨行贪婪匹配，并通过 (?仅包含两关键词之间的原始内容（不含关键词自身）。
以下是完整、健壮的解决方案：
library(dplyr)
library(stringr)
# 示例数据（已定义 df$'html'）
df <- df %>%
mutate(
regeste_content = str_extract(
html,
"(?i)(?<=Regeste|regeste)[\s\S]*?(?=Sachverhalt|sachverhalt)"
)
)✅ 关键设计说明：
立即学习“前端免费学习笔记（深入）”；
- (?i)：启用不区分大小写模式，兼容 Regeste/regeste 等变体；
- (?正向后查找（positive lookbehind），确保匹配位置前紧邻任一关键词，但不将其纳入结果；
- [\s\S]*?：*? 表示非贪婪匹配（推荐），防止过度捕获到后续多个 Sachverhalt 中的最后一个；[\s\S] 等价于 (?s:.)，可安全匹配换行符、空格、HTML 标签等所有字符；
- (?=Sachverhalt|sachverhalt)：正向先行断言（positive lookahead），确保匹配以任一关键词开头的位置为终点，同样不包含该词本身。
⚠️ 注意事项：
- 若 HTML 中存在嵌套或重复关键词（如多次出现 Regeste），非贪婪匹配 *? 可保障提取首个 Regeste 到其后最近的 Sachverhalt 之间的内容，符合多数语义需求；
- 若需严格匹配 HTML 标签边界（例如仅匹配 Regeste后到 Sachverhalt 前），应升级为 xml2::read_html() + CSS/XPath 解析，但本例中纯文本提取已足够高效；
- str_extract() 返回 NA 当无匹配——建议后续用 if_else(!is.na(regeste_content), regeste_content, "") 统一空值处理。
最终生成的 regeste_content 列将包含从 Regeste 结束处到 Sachverhalt 开始处之间的完整原始 HTML 片段（含
、、换行、缩进等），可直接用于进一步清洗、解析或存档，兼顾准确性与工程实用性。
