R+Selenium如何提取指定标签下不属于子标签的独立文本节点内容

以下是对应两种需求的实现方案： #

需求1：提取未被span包裹的独立文本「AAA」 #

筛选.nameTitle节点下的直接文本节点、排除span等元素节点即可，示例代码如下：

text %>% 
  html_nodes(css = '.nameTitle') %>% 
  xml_contents() %>% # 获取节点下所有子节点（包含文本节点、元素节点）
  filter(xml_type(.) == "text") %>% # 仅保留纯文本节点
  html_text() %>% 
  trimws() # 去除首尾的换行、空白字符

执行后即可得到纯文本AAA。 #

需求2：提取带空格分隔的完整文本「AAA BBB」 #

直接使用rvest提供的html_text2()方法即可，该方法会自动将节点内的换行、多段空白转换为单个空格分隔，符合常规文本阅读的格式需求：

text %>% 
  html_nodes(css = '.nameTitle') %>% 
  html_text2()

如果遇到特殊格式场景适配不佳，也可以手动提取所有子节点文本后用空格拼接：

text %>% 
  html_nodes(css = '.nameTitle') %>% 
  xml_contents() %>% 
  html_text() %>% 
  trimws() %>% 
  paste(collapse = " ")

原代码问题说明 #

你之前使用的html_text()方法默认会直接拼接所有子节点的文本内容，不会处理节点之间的换行、空白字符，所以原HTML中AAA末尾的换行被直接忽略，最终输出没有空格的AAABBB。

内容的提问来源于stack exchange，提问作者younghyun