如何仅从父 HTML 节点（不包括子节点）中提取文本？

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>

我正在使用这段代码来提取文本：

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”内部的文本。我必须得到这个文本：

"where"

在我获取文本时有什么方法可以排除子节点吗？

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

Answer 1

如果你确定你想要的文本总是在最后，你可以使用：

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

或者，您可以使用以下命令选择所有“非空”字符串

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

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

第三种选择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

这将抓取来自<p>children 的所有文本（这意味着它不会包含来自不是“文本发射器”的子节点的文本：

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，这非常“有损”（您会丢失<b>、<span> 等），但这个或@Floo0（也可能有损）的解决方案可能对您来说足够有效。

如果您使用XML 包，您实际上可以编辑节点（即删除节点元素）。