Question

我有一个代码：

<div class="activityBody postBody thing">
    <p>
        <a href="/forum/conversation/post/3904-22" rel="post" data-id="3904-22" class="mqPostRef">(22)</a>
        where?
    </p>
</div>

我正在使用此代码提取文本：

html_nodes(messageNode, xpath=".//p") %>% html_text() %>% paste0(collapse="\n")

得到结果：

"(22) where?"

但我只需要“p”文本，不包括子节点中可能位于“p”内的文本。我必须得到这个文字：

"where"

在获取文本时有没有办法排除子节点？

Mac OS 10.11.6（15G31），RSrudio版本0.99.903，R版本3.3.1（2016-06-21）

Answer 1

如果您确定所需的文字始终位于最后，您可以使用：

doc %>% html_nodes(xpath=".//p/text()[last()]") %>% xml_text(trim = TRUE)

或者，您可以使用以下选项来选择所有“非空”曲线

doc %>% html_nodes(xpath=".//p/text()[normalize-space()]") %>% xml_text(trim = TRUE)

有关normalize-space()的更多详情，请参阅https://developer.mozilla.org/en-US/docs/Web/XPath/Functions/normalize-space

第3个选项是直接通过以下方式使用xml2包：

doc %>% xml2::xml_find_chr(xpath="normalize-space(.//p/text())")

Answer 2

这将抓取<p>个孩子的所有文字（这意味着它不会包含来自子节点的文字，这些子节点不是＆＃34;文本发射器＆＃34;：

library(xml2)
library(rvest)
library(purrr)

txt <- '<div class="activityBody postBody thing">
    <p>
        <a href="/forum/conversation/post/3904-22" rel="post" data-id="3904-22" class="mqPostRef">(22)</a>
        where?
    </p>
  <p>
    stays 
    <b>disappears</b>
    <a>disappears</a>
    <span>disappears</span>
    stays
  </p>
</div>'

doc <- read_xml(txt)

html_nodes(doc, xpath="//p") %>% 
  map_chr(~paste0(html_text(html_nodes(., xpath="./text()"), trim=TRUE), collapse=" "))
## [1] "where?"     "stays stays"

不幸的是，那个漂亮的＆＃34;有损＆＃34; （你丢失了<b>，<span>等等，但是这个或@ Floo0（也可能是有损）解决方案可能对你有用。

如果使用XML包，则可以实际编辑节点（即删除节点元素）。

如何仅从父HTML节点（子节点除外）提取文本？

2 个答案: