将含文本表格的HTM文件转为DataFrame遇格式混乱问题求助

我尝试将包含文本表格的HTML文件转换为DataFrame，参考相关问题后仍未解决，表格出现格式混乱。可复现代码如下：

# URL of the website 
url <- paste0("https://www.uspto.gov/web/offices/ac/ido/oeip/taf/st_co_93.htm") 

# Read the HTML code of the page regarding the interested table
html_code <- paste(readLines(url))[44:99]

# Transform text into a table
table_df <- read.table(text = html_code, skip = 3, fill = NA, 
                       col.names = c("CODE", "STATE/COUNTRY", "UTILITY", "DESIGN", "PLANT","REISSUE","TOTALS","SIRS"))

你的问题出在手动读取HTML行并切片的方式：HTML的文本行和表格的结构化数据并不对应，混在一起的标签和内容会让read.table无法正确解析列。正确做法是用专门的HTML表格解析工具，比如rvest包：

# 首次运行需安装rvest包
if (!require("rvest")) install.packages("rvest")
library(rvest)

# 读取目标页面
url <- "https://www.uspto.gov/web/offices/ac/ido/oeip/taf/st_co_93.htm"
page <- read_html(url)

# 提取页面中的目标表格（自动解析<tr><td>标签结构）
table_df <- page %>% 
  html_element("table") %>% 
  html_table(header = TRUE, fill = TRUE)

# 修正列名（匹配你需要的命名）
colnames(table_df) <- c("CODE", "STATE/COUNTRY", "UTILITY", "DESIGN", "PLANT", "REISSUE", "TOTALS", "SIRS")

# 过滤无效行（如空行、合计标题行）
table_df <- table_df[!is.na(table_df$CODE) & nchar(table_df$CODE) > 0, ]

• rvest的html_table函数会自动识别HTML表格的结构化标签，不需要手动切片行，彻底避免格式混乱
• 最后一步过滤是为了移除页面表格中的非数据行（比如顶部的标题行、空行）
• 若页面有多个表格，可将html_element换成html_elements，再通过索引选择目标表格（如[[1]]取第一个）

内容的提问来源于stack exchange，提问作者fiodeno