） " />

本文介绍在 R 语言中利用 rvest 包结合 XPath 表达式，精准提取网页中不包含 标签的 段落，避免 CSS 选择器局限性，提升结构化文本抓取的准确性。

本文介绍在 r 语言中利用 rvest 包结合 xpath 表达式，精准提取网页中不包含 `` 标签的 `

` 段落，避免 css 选择器局限性，提升结构化文本抓取的准确性。

在网页爬虫实践中，常需提取“纯文本段落”——即内容干净、不含嵌入链接（）的

元素。但初学者易误用 CSS 伪类（如 :not(a)），该写法在 rvest 中不适用：CSS 选择器 :not(a) 表示“非 标签的元素”，而非“不包含 的

标签”，逻辑完全错误，导致结果错乱或为空。

正确解法是使用 XPath 表达式，其支持嵌套关系判断。关键语法为：

//article/div/p[not(descendant::a)]

• //article/div/p：定位到
  内部

  下的所有

  ；

  [not(descendant::a)]：筛选其中没有任何后代 标签的

  （包括直接子链接和深层嵌套链接）。

  完整可运行示例：

  library(rvest)
  
  url  的 <p>
  clean_paragraphs 
    html_elements(xpath = "//article/div/p[not(descendant::a)]")
  
  # 提取纯文本（自动去除 script/iframe 等干扰内容）
  text_content 
    html_text(trim = TRUE) |>
    \(x) x[nzchar(x)]  # 过滤空字符串
  
  print(text_content[1:3])
  # [1] "GENF. \"Schämt Euch!\" – so heißt es auf einem Transparent, das..."
  # [2] "Es ist fast schon dreist, wie Deutschland auf die offizielle Staatenp..."
  # [3] "Auch in einer gemeinsamen Stellungnahme von einem Bündnis deutscher N..."</p>

  ⚠️ 注意事项：

  • 不要混用 CSS 与 XPath：html_elements("p:not(a)") 是无效逻辑，html_elements(css = "...") 和 html_elements(xpath = "...") 必须明确指定参数；
  • 路径需适配目标网页实际 DOM 结构（如本例中

    位于 article > div 下，若结构变化需调整 //article/div/p 部分）；

  • 含 <script>&#12289;<iframe> &#25110;&#23500;&#23186;&#20307;&#26631;&#31614;&#30340; <p> &#20173;&#21487;&#33021;&#34987;&#20445;&#30041;&#65288;&#22240;&#20854;&#20869;&#37096;&#26080; <a>&#65289;&#65292;&#22914;&#38656;&#36827;&#19968;&#27493;&#28165;&#27927;&#65292;&#24314;&#35758;&#21518;&#32493;&#29992;&#27491;&#21017;&#25110; xml2::xml_remove() &#22788;&#29702;&#65307;</script>
  • 对含动态加载内容的页面，rvest 无法执行 JavaScript，此时需配合 splashr 或 rselenium。

  总结：当筛选依赖父子/后代关系的 HTML 元素时，XPath 是 rvest 中不可替代的利器。掌握 descendant::、child::、not() 等基础谓词，能显著提升复杂选择场景下的鲁棒性与可维护性。