使用R中rvest包的read_html()无法提取目标网页表格的问题

问题原因 #

Hockey-reference网站把Team Statistics和Team Analytics (5-on-5)这类表格包裹在HTML注释（<!-- -->）里，限制静态抓取工具直接获取数据。默认情况下read_html()不会解析注释内的内容，所以你只能拿到页面顶部未被隐藏的standings表格。

解决方案步骤 #

1. 获取原始页面内容并转为字符串格式
2. 移除HTML注释标签，释放被隐藏的表格内容
3. 重新解析处理后的HTML，提取目标表格

完整代码示例 #

# 加载所需包
library(rvest)
library(stringr)

# 目标页面URL
url <- "https://www.hockey-reference.com/leagues/NHL_2025.html"

# 获取原始页面并移除注释标签
page_raw <- read_html(url) %>% as.character()
page_processed <- str_replace_all(page_raw, "<!--|-->", "") %>% read_html()

# 提取Team Statistics表格
team_stats_table <- page_processed %>% 
  html_element(css = "#stats") %>% 
  html_table(header = TRUE)

# 提取Team Analytics (5-on-5)表格
team_analytics_table <- page_processed %>% 
  html_element(css = "#stats_5v5") %>% 
  html_table(header = TRUE)

说明 #

• 用str_replace_all()移除所有注释的起始和结束标签，让原本被隐藏的表格变成可解析的HTML元素
• 两个目标表格的CSS选择器分别是#stats和#stats_5v5，对应页面中表格的id属性
• 处理完成后，就能用常规的html_element()和html_table()方法提取数据了

内容的提问来源于stack exchange，提问作者Owen Gift