使用R/XML筛选保留含指定字符串的XML节点 - 网页抓取

核心思路 #

借助XPath的contains()函数定位包含目标字符串的节点，通过逻辑运算符实现多关键词匹配，精准保留需要的<tr>节点。

代码实现 #

1. 加载XML工具包：

library(XML)

2. 定义关键词并构造筛选逻辑：

# 设置需要匹配的关键词列表
target_terms <- c("Fiscal Year End", "Term")

# 拼接XPath查询语句，匹配包含任意关键词的<tr>节点
xpath_query <- paste0(
  "tr[td[contains(text(), '", 
  paste(target_terms, collapse="' or contains(text(), '"), 
  "')]]"
)

# 从XML对象paragraph中筛选符合条件的节点
filtered_tr_nodes <- getNodeSet(paragraph, xpath_query)

补充说明 #

• 上述XPath语句的逻辑是：筛选所有<tr>节点，要求其下至少有一个<td>的文本包含指定关键词。
• 如果paragraph本身就是<tr>节点的集合，可将XPath语句调整为：

xpath_query <- paste0(
  ".//td[contains(text(), '", 
  paste(target_terms, collapse="' or contains(text(), '"), 
  "')]/.."
)

这里的..表示选中<td>的父节点（也就是目标<tr>节点）。

内容的提问来源于stack exchange，提问作者js80