如何在R中提取非标准HTML标签的目标值？

问题背景 #

你已经成功通过itemprop属性提取了前三个<p>标签的内容，但最后一个<p>标签没有itemprop属性，其内部的<span>带有aria-label="Quantidade de vagas de garagem"，但直接选择该<span>提取文本时返回空值——因为目标数值2并不在<span>标签内，而是在<p>标签的同级文本节点中。

解决方案 #

方法一：通过span的aria-label定位父p标签提取文本 #

先找到带有指定aria-label的<span>，再获取它的父元素<p>，最后提取<p>的文本并清理空格：

library(rvest)
pagee <- read_html("html_file.html") 

nofgarage <- pagee %>% 
  html_elements(".listing-wrapper__content") %>% 
  html_nodes("span[aria-label='Quantidade de vagas de garagem']") %>% 
  html_parent() %>% # 获取该span的父节点p
  html_text(trim = TRUE) # 提取文本并去除首尾空白字符

nofgarage

输出结果：

[1] "2"

方法二：通过类名批量提取后按索引筛选 #

所有目标<p>标签都带有card__amenity类，可以先批量提取所有这类标签的文本，再通过索引获取第四个元素（对应车库数量）：

library(rvest)
pagee <- read_html("html_file.html") 

# 提取所有card__amenity类的p标签文本
all_amenities <- pagee %>% 
  html_elements(".listing-wrapper__content .card__amenity") %>% 
  html_text(trim = TRUE)

# 获取第四个元素（车库数量）
nofgarage <- all_amenities[4]
nofgarage

输出结果：

[1] "2"

失败原因说明 #

你之前的代码选择了<span>标签，但该标签内只有<svg>图标，没有目标文本；目标数值2是<p>标签的直接文本内容，因此必须定位到<p>标签后再提取文本。

内容的提问来源于stack exchange，提问作者Ivan Bezerra Allaman