本文介绍一种绕过 rvest::read_html() 将无标签字符串误判为文件路径的问题的稳健方案：利用 chartoraw() 强制将其识别为 html 内容流，从而统一调用 read_html() → html_text() 流程，避免错误且无需正则解析。
本文介绍一种绕过 rvest::read_html() 将无标签字符串误判为文件路径的问题的稳健方案：利用 chartoraw() 强制将其识别为 html 内容流，从而统一调用 read_html() → html_text() 流程，避免错误且无需正则解析。
在使用 rvest 进行网页文本清洗时，一个常见模式是：read_html(x) %>% html_text() ——该组合能可靠剥离 HTML 标签并保留语义结构（如换行、空格合并、内联元素处理等）。但默认情况下，read_html() 会优先尝试将输入视为文件路径或 URL；当传入不含 <code>> 的纯文本字符串（如 "Positives: ...") 时，它会抛出类似 ‘...’ does not exist in current working directory 的错误。
根本原因在于 read_html() 的内部逻辑：它通过 xml2::read_html() 实现，而后者对字符型输入采用启发式判断——若字符串看起来像路径（不含尖括号、可被 file.exists() 判断为存在），就按本地文件读取；否则才作为 HTML 字符串解析。这种行为导致批量处理混合数据（部分含标签、部分纯文本）时极易中断。
推荐解决方案：强制以字节流方式注入 HTML 解析器
使用 charToRaw(x) 将字符串转为原始字节向量，可明确告知 read_html()：“这不是路径，这是待解析的 HTML 内容”。该方法无需额外依赖、不引入正则风险，且完全复用 rvest 原生的 HTML 解析能力（支持实体解码、嵌套标签、自闭合标签等）：
library(rvest)
library(purrr)
clean_html <- function(x) {
read_html(charToRaw(x)) %>% html_text(trim = TRUE)
}
# 示例数据（混合 HTML 与纯文本）
dat <- c(
"<B>Positives:</B> Rangy, athletic build with room for additional growth. ...",
"Positives: Better football player than his measureables would indicate. ..."
)
map_chr(dat, clean_html)
#> [1] "Positives: Rangy, athletic build with room for additional growth. ..."
#> [2] "Positives: Better football player than his measureables would indicate. ..."✅ 优势说明：
- ✅ 零误判：
charToRaw()消除了路径启发式判断，所有输入均被视作 HTML 字符串； - ✅ 语义保真：相比
gsub("<.>", "", x)</.>等正则方案，本法正确处理<br>换行、<strong><em>text</em></strong>等复杂结构； - ✅ 性能友好：
charToRaw()开销极小，远低于启动正则引擎或新建临时文件； - ✅ 无缝集成：可直接嵌入
dplyr::mutate()或purrr::map_*()管道，支持向量化处理。
⚠️ 注意事项：
立即学习“前端免费学习笔记（深入）”；
- 若输入含非法 UTF-8 字节（如损坏的编码），
charToRaw()仍可能触发xml2底层报错，此时建议前置iconv(x, "latin1", "UTF-8", sub = "")做容错转换； -
html_text(trim = TRUE)默认去除首尾空白，如需保留原始缩进，设trim = FALSE； - 对超大规模文本（百万级字符串），可考虑
data.table::tstrsplit()预过滤明显无<code>>的项，再分组处理以进一步提速。
综上，read_html(charToRaw(x)) %>% html_text() 是兼顾鲁棒性、准确性与简洁性的最佳实践，应作为 rvest 文本清洗的标准封装模式。
