我正在尝试用 R 解析一个 html 文档。我想抓取一个节点,但在节点内有一些我不需要的信息。
例如:
<div class="content">
<h3>Titel</h3>
<p>content</p>
<p>content</p>
<ul>
<li>List</li>
<li>List</li>
</ul>
</div>
我想要所有内容以及列表。我不需要标题。所以通常我会用这段代码抓住它:
grabIt <- xml_text(xml_find_all(html, xpath="//div[@class='content']//text()
[not(ancestor-or-self::div[@class='content']//h3)]"))
这通常工作正常。但是这里的“[not(ancestor-or-self”-Line 过滤掉了所有的内容。我认为这是因为我过滤掉了我想要抓取的节点内的东西。代码在那些情况下可以正常工作,其中标题或我不需要的任何其他信息位于单独的节点中,如下所示:
<div class="content">
<div class="Titel">Title</div> #difference
<p>content</p>
<p>content</p>
<ul>
<li>List</li>
<li>List</li>
</ul>
</div>
我的另一个想法是:
grabIt <- xml_text(xml_find_all(html, xpath="//div[@class='content']//p//text()"))
但问题是,我不能同时抓住段落和列表。