rvest：xpath 在当前节点获取文本，删除子节点答案

【问题标题】：rvest: xpath get text at current node with sub nodes removedrvest：xpath 在当前节点获取文本，删除子节点
【发布时间】：2018-02-09 02:05:02
【问题描述】：

我有一些文本嵌套在我想要抓取的 div 标记中。特别是下面 MWE 的地址 (Hillsgrove, Missouri 13231-1123)。在这个 div 标签内部是我希望忽略的其他标签。我想在第一个<br /> 之后只获取当前 div 标签处的文本。至少我想取回没有其他子节点文本的字幕+地址，但理想情况下我只想要地址文本。

我正在使用 R 的 rvest 包来完成这项任务，但似乎这是一个更一般的 xpath 问题。

MWE

library(xml2); library(rvest); library(dplyr)

minimal <- read_html(
"<!doctype html>
<meta charset=utf-8>
<title>blah</title>
<div class=\"span4\"> 
    <a href='http://www.stuff.com'>
        <strong>Sub Title</strong>
     </a>
  <br />
  Hillsgrove, Missouri 13231-1123<br />
  <span id=\"phone\">(5555) 555-5555</span><br />
  <a target=\"_blank\" href='http://www.morestuff.com'>www.morestuff.com</a>
  <br /><br />
</div>"
)

minimal %>%
    html_nodes(xpath = '//div[@class="span4"]') %>%
    html_text() 

## [1] " \n    \n        Sub Title\n     \n  \n  Hillsgrove, Missouri 13231-1123(5555) 555-5555www.morestuff.com\n  "

期望的结果

## Hillsgrove, Missouri 13231-1123

我愿意接受

## " \n    \n        Sub Title\n     \n  \n  Hillsgrove, Missouri 13231-1123"

【问题讨论】：

标签： r xpath rvest

【解决方案1】：

如果你想要当前节点的文本节点，使用text()

minimal %>%
  html_nodes(xpath = '//div[@class="span4"]/text()') %>%
  html_text() 
# [1] " \n  "                               "\n  "                               
# [3] "\n  Hillsgrove, Missouri 13231-1123" "\n  "

你能看到它确实返回了换行符和空格，但应该很容易去掉。

【讨论】：

太棒了...不知道。