R，XPath，文本抓取：获取节点内的文本，同时过滤其后代之一的属性值

Question

这是一个快速的模拟代码。我想要得到的是一个字符向量，其中包含每个 p 节点的文本内容，其后代 a 具有其属性 href = "value1"。

<doc>
    <div class="intervention">
        <p>
            <a></a>
            <b>
                <a href="value1">xxx</a>
            </b>
            text1
        </p>
        <p>
            <a></a>
            <b>
                <a href="value2">xxx</a>
            </b>
            text2
        </p>
        <p>
            <a></a>
            <b>
                <a href="value1">xxx</a>
            </b>
            text3
        </p>
    </div>

    <div class="intervention">
        <p>
            <a></a>
            <b>
                <a href="value2">xxx</a>
            </b>
            text4
        </p>
        <p>
            <a></a>
            <b>
                <a href="value1">xxx</a>
            </b>
            text5
        </p>
        <p>
            <a></a>
            <b>
                <a href="value1">xxx</a>
            </b>
            text6
        </p>
    </div>
</doc>

也就是说，我想得到这个向量：

c("xxxtext1","xxxtext3","xxxtext5","xxxtext6")

您能帮我找到合适的 XPath 吗？到目前为止，我已经找到了这个给我 p 节点中所有文本内容的内容，但是我无法让它根据 a 的 href 值进行过滤。

"//div[@class='intervention']//*[not(self::script)]"

非常感谢您的帮助！

Answer 1

您的 xpath 应该是 //a[@href='value1']/ancestor::p

例如：

library(xml2)

result <- xml_text(xml_find_all(doc, xpath = "//a[@href='value1']/ancestor::p"))

gsub("\\s", "", result) # Remove line breaks and spaces
#> [1] "xxxtext1" "xxxtext3" "xxxtext5" "xxxtext6"