如何使用 rvest 精确提取不含超链接的段落（）元素
如何使用 rvest 精确提取不含超链接的段落（
）元素
）元素">）元素" />
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
本文介绍在 R 语言中利用 rvest 包结合 XPath 表达式，高效筛选出不包含 标签的段落，解决常见 CSS 选择器局限性问题，并提供可复用的代码示例与关键注意事项。
在网页数据抓取时，我们常常需要提取那些“纯净”的文本段落——也就是只包含文字和基本格式标签（比如加粗的 `` 或斜体的 ``），但不包含任何超链接（`` 标签）的 ` ` 元素。这个需求听起来简单，实际操作时却有个常见的“坑”。 很多朋友首先会想到用 CSS 选择器，比如尝试 `:not(a)` 这样的伪类。但这里得提醒一下：在 `rvest::html_elements()` 函数里，`:not(a)` 的语义是“选择所有不是 `` 标签的元素”，而并非“选择所有内部不包含 `` 标签的 ` ` 元素”。直接这么用，要么会返回一堆无关的节点，要么干脆报错，根本达不到过滤目的。 那正确的路怎么走？答案是使用 XPath 表达式。XPath 的优势在于它能进行语义化的层级断言，完美表达“寻找某个元素，且要求它的后代中不存在特定标签”这种逻辑。 核心思路就两步： ` 元素； ` 元素的后代（descendant）中不能有 `` 标签。用 XPath 写出来，关键就是 `not(descendant::a)` 这段断言。 下面是一个完整、可直接套用的操作流程： 代码虽短，但有几个细节决定了成败，务必留意：解决方案：转向更强大的 XPath
✅ 首先，定位到所有的 `
✅ 然后，加上一个条件：这些 `library(rvest)
# 读取目标网页
url <- "https://www.news4teachers.de/2023/08/schaemt-euch-deutschland-steht-vor-den-vereinten-nationen-am-pranger-weil-es-die-inklusion-an-schulen-verweigert/"
html <- read_html(url)
# ✅ 正确方式：使用 XPath 精确筛选
# 注意：路径需根据实际 HTML 结构调整（此处为 //article/div/p）
clean_paragraphs <- html |>
html_elements(xpath = "//article/div/p[not(descendant::a)]")
# 提取纯文本内容（自动去除嵌套标签，保留换行与空格）
text_content <- clean_paragraphs |>
html_text2() # 推荐使用 html_text2()（rvest ≥ 1.0.0），更鲁棒地处理空白与脚本
# 查看前5段
head(text_content, 5)
几个关键的注意事项