本文介绍如何使用 r 的 stringr 包精准提取 html 文本中两个关键词（如 “regeste” 和 “sachverhalt”）之间的完整子串，包括中间所有 html 标签与空白字符，并通过正则断言实现稳健匹配。
本文介绍如何使用 r 的 stringr 包精准提取 html 文本中两个关键词（如 “regeste” 和 “sachverhalt”）之间的完整子串，包括中间所有 html 标签与空白字符，并通过正则断言实现稳健匹配。
在网页文本解析（尤其是法律文书、政府公报等结构化 HTML 内容）中，常需从原始 HTML 字符串中截取特定语义区块（例如
Regeste
到 Sachverhalt 之间的全部内容）。此时，简单使用 str_extract(html, “Regeste.*Sachverhalt”) 往往失败——因为默认点号 . 不匹配换行符，且会贪婪捕获到最后一个 Sachverhalt，而非紧邻的下一个。
✅ 正确解法是结合 PCRE 模式下的反向先行断言（(?，配合支持跨行匹配的字符类 [sS]（即“任意空白或非空白字符”，等价于 [dD] 或 [wW]，但更语义清晰）：
library(dplyr) library(stringr) df %>% mutate(between = str_extract(html, "(?<=Regeste|regeste)[sS]*(?=Sachverhalt|sachverhalt)"))
该正则表达式含义如下：
- (?反向先行断言，要求匹配位置前紧邻 Regeste 或 regeste（大小写不敏感），但不消耗这些字符；
- [sS]*：匹配零个或多个任意字符（含换行符），确保跨行捕获；
- (?=Sachverhalt|sachverhalt)：正向先行断言，要求匹配位置后紧邻 Sachverhalt 或 sachverhalt，同样不包含该词本身。
⚠️ 注意事项：
立即学习“前端免费学习笔记（深入）”；
- 若 HTML 中存在多个 Regeste/Sachverhalt，此模式默认返回第一个成功匹配的子串（str_extract 行为）；如需全部匹配，改用 str_extract_all(…, simplify = TRUE)；
- 若需严格区分大小写，可移除 |regeste 和 |sachverhalt 分支，并添加 regex(…, ignore_case = FALSE) 参数；
- 对于嵌套结构或复杂 HTML，建议优先使用 rvest::html_nodes() 等 DOM 解析方式；但若仅处理扁平化 HTML 片段（如已 read_html() %>% as.character() 转为字符串），本方法高效可靠；
- 实际应用中，起止标记可能包裹在标签内（如
Regeste
），上述正则仍有效，因其匹配的是文本内容而非标签结构。
? 总结：当面对非标准 HTML（无闭合标签、混杂换行与空格）且只需基于文本锚点做粗粒度切片时，str_extract + (?