我来帮你搞定这个问题！用rvest结合XPath确实能精准提取你要的文本，避免把其他子节点的内容带进来。下面结合你提到的最小工作场景，给你分步讲解和代码示例：

先明确目标HTML结构 #

假设你的目标HTML结构大概是这样（对应你说的嵌套div，包含需要忽略的子标签和<br>分隔的文本）：

<div class="location-info">
  <h4>Main Street Branch</h4>
  <span class="tag">Local Shop</span>
  <br>
  Hillsgrove, Missouri 13231-1123
  <div class="extra">Open 24/7</div>
</div>

方案1：仅提取地址文本（最理想状态） #

想要精准拿到<br>之后的地址，我们可以用XPath定位到<br>节点，然后取它的第一个兄弟文本节点——这就是你要的地址。代码如下：

library(rvest)

# 加载并解析HTML（如果是从网页抓取，替换成read_html("你的URL")）
html_content <- '
<div class="location-info">
  <h4>Main Street Branch</h4>
  <span class="tag">Local Shop</span>
  <br>
  Hillsgrove, Missouri 13231-1123
  <div class="extra">Open 24/7</div>
</div>
'
page <- read_html(html_content)

# 提取地址文本
address <- page %>%
  html_element(xpath = "//div[@class='location-info']/br/following-sibling::text()[1]") %>%
  html_text(trim = TRUE)

print(address)
# 输出："Hillsgrove, Missouri 13231-1123"

XPath逻辑解释： #

• //div[@class='location-info']：定位到目标div（根据你的实际class替换）
• /br/following-sibling::text()[1]：找到div下的<br>节点，然后取它之后的第一个直接文本节点（就是地址）
• trim = TRUE：自动去掉文本前后的换行、空格，得到干净的内容

方案2：提取副标题+地址（排除其他子节点） #

如果需要把<br>之前的副标题（比如示例里的"Main Street Branch"）和地址一起提取，同时忽略其他子标签（比如<span>、<div class="extra">），可以这样做：

# 获取div下所有非空白的直接文本节点，合并成结果
subtitle_address <- page %>%
  html_elements(xpath = "//div[@class='location-info']/text()[normalize-space() != '']") %>%
  html_text(trim = TRUE) %>%
  paste(collapse = " ")

print(subtitle_address)
# 输出："Main Street Branch Hillsgrove, Missouri 13231-1123"

这里的关键： #

• //div[@class='location-info']/text()：只取div的直接子文本节点，不会包含子标签（比如h4、span里的文本）
• normalize-space() != ''：过滤掉HTML里的换行、空白等无效文本节点
• 最后用paste把多个文本节点合并成一段

为什么直接用html_text()不行？ #

如果你直接对div用html_text()，它会把div下所有子元素的文本都拼接起来，比如会拿到"Main Street Branch Local Shop Hillsgrove, Missouri 13231-1123 Open 24/7"，这显然不是你要的结果。而用XPath精准定位直接文本节点，就能避开这些多余内容。

内容的提问来源于stack exchange，提问作者Tyler Rinker