使用rvest爬取Pro Football Reference防守表遇xml_missing错误求助

首先明确：HTM后缀不是问题，read_html完全能处理这种后缀的页面。你报错的核心原因是：用html_node('#div_all_player_defense')抓取的是包裹表格的div容器，而非表格本身，自然无法用html_table()解析。

直接定位到防守表的table节点即可，页面里的防守表id是player_defense，修正后的代码如下：

library(rvest)
library(dplyr)

url <- "https://www.pro-football-reference.com/boxscores/202402110kan.htm"
table_defence <- url %>% 
  read_html() %>%  
  html_node('#player_defense') %>%  # 直接定位到防守表的table节点
  html_table(header = TRUE) %>% 
  # 过滤页面中重复的表头行（这类行的第一列值为"X"，用于滚动时固定表头）
  filter(X != "X")

补充说明： #

• 页面内的防守表存在重复的表头行（滚动页面时会固定显示），这些行的第一列值为"X"，用filter(X != "X")可快速清理掉冗余行，得到干净的数据。
• 如果需要保留球队合计行，可去掉过滤步骤，或通过Player列的内容（比如包含"Team Total"的行）单独筛选。

内容的提问来源于stack exchange，提问作者HowGoodisData