使用 rvest 刮取第一类节点但不是子节点

Question

对此有很多问题，但看不到我正在寻找的答案。

希望提取特定文本，使用我的代码可以使用的 .quoteText 类，但也提取 .quoteText 中的所有子节点：

url <- "https://www.goodreads.com/quotes/search?page=1&q=simone+de+beauvoir&utf8=%E2%9C%93"

quote_text <- function(html){

  path <- read_html(html)

  path %>% 
    html_nodes(".quoteText") %>%
    html_text(trim = TRUE) %>% 
    str_trim(side = "both") %>% 
    unlist()
}

quote_text(url)

结果包含文本，还包含每个子节点！

这就是检查器工具带来的。我正在寻找的是突出显示的行，而不是同一代码下的子行。

一定有办法只刮掉那条线，不是吗？还是我需要收集该行，然后用str_extract / regex 删除其余行？

Answer 1

看起来 CSS 选择器不支持只获取所选节点的直接文本，但 xpath 支持。我们可以调整您的功能以仅提取文本与

quote_text <- function(html){

  path <- read_html(html)

  path %>% 
    html_nodes(xpath=paste(selectr::css_to_xpath(".quoteText"), "/text()") %>%
    html_text(trim = TRUE) %>% 
    str_trim(side = "both") %>% 
    unlist()
}

我将 CSS 选择器转换为 xpath 选择器，然后附加“/text()”以获取元素的文本节点。