Как найти текстовые узлы верхнего уровня без дублирования

Я собираю статьи с разных сайтов с помощью R (rvest), которые часто структурированы по-разному, и хотел бы извлечь все html-узлы (без дублирования), потомки которых содержат некоторый текст, используя xpath.

Упрощая, структура может быть примерно такой (без пробелов, которые были введены для удобства чтения):

<html>
<body>
    <a name = "SomeMarker">
            <font style = "FONT-SIZE: 12pt;"><b>Sports article</b></font>
    </a>
<div>
<b>This is possibly an article heading</b>
<font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the article.</font
<font style = "FONT-SIZE: 10pt;"> It could have <i><b>interesting tags</b></i> embedded in the text</font>
</div>

<p id = "SomeId"><b>This is another article heading</b>
    <font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the second article</font>
    <p><font style = "FONT-SIZE: 10pt;"> It could have further <i><b><u>interesting tags</u></b></i> embedded in the text</font></p>
</p>

</body>
</html>

Я пробовал несколько разных xpaths, но они, похоже, всегда выбирают повторяющиеся узлы.

"//a/following::*//*[text()]"
"//a/following::*/*[normalize-space(text())]"
"//a/following::*/*[normalize-space(text())]/parent::*"

и так далее -- но все они приводят к различным перестановкам текстовых узлов

В настоящее время я получаю довольно много повторяющихся узлов, например:

[1] <div>\n<b>This is possibly an article heading</b><font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the article.</font><font style = "FONT-SIZE: 10pt;"> It could have <i><b>interes ...
[2] <font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the article.</font>
[3] <i><b>interesting tags</b></i>
[4] <p id = "SomeId"><b>This is another article heading</b><font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the second article.</font></p>\n
[5] <font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the second article.</font>
[6] <p><font style = "FONT-SIZE: 10pt;"> It could have further <i><b><u>interesting tags</u></b></i> embedded in the text</font></p>
[7] <b><u>interesting tags</u></b>

Предпочтительным результатом является получение только узлов верхнего уровня, потомки которых содержат некоторый текст, т. е. в приведенном выше случае:

[1] <div><b>This is possibly an article heading</b><font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the article.</font><font style = "FONT-SIZE: 10pt;"> It could have <i><b>interesting tags</b></i> embedded in the text</font></div>
[2] <p id = "SomeId"><b>This is another article heading</b><font style = "FONT-SIZE: 10pt;"> This is the <i>body</i> of the second article.</font><p><font style = "FONT-SIZE: 10pt;"> It could have further <i><b><u>interesting tags</u></b></i> embedded in the text</font></p></p>

Я знаю xpath для простого извлечения текста - я действительно хочу, чтобы html-узлы с тегами были неповрежденными, поскольку я хотел бы выполнить дальнейшую обработку узлов верхнего уровня (например, для извлечения заголовков). Спасибо большое.

Как насчет //a/following::*[*[text()]][parent::body]?

— 28.05.2019 20:59

@supputuri спасибо - это работает! Однако у меня есть продолжение, есть ли способ структурировать xpath без ссылки на body или любой другой тег, кроме a? еще раз спасибо!

— 28.05.2019 21:21

Проверьте первый вариант в моем ответе.

— 28.05.2019 21:45

r xpath

28.05.2019 18:16

Стоит ли изучать PHP в 2023-2024 годах?

Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...

Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией

В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.

Приемы CSS-макетирования - floats и Flexbox

Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...

Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest

В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...

Концепция локализации и ее применение в приложениях React ⚡️

Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...

Пользовательский скаляр GraphQL

Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...

Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Вариант 1: Использование следующего брата::

//a/following-sibling::[[text()]]

Вариант 2: Использование родителя со следующим ::

//a/following::[[text()]][parent::body]

Дайте мне знать, как это происходит с вариантом 1.

— 28.05.2019 21:46

В основном это работает, я получаю три компонента (ожидая 2, как в посте) с приведенным выше примером. По какой-то причине блок разделен на два разных узла.

— 28.05.2019 22:31

Так что вместо [2] This is another article heading This is the body of the second article. It could have further interesting tags embedded in the text я получаю [2] This is another article heading This is the body of the second article.\n [3] It could have further interesting tags embedded in the text

— 28.05.2019 22:31

Считаете ли вы, что пара с другим ребенком разрешена? Нет, это не так. Вот почему вложенный  будет отображаться как еще один узел.

— 28.05.2019 22:48

28.05.2019 21:44