如何用R从URL下载带合并单元格的.xls数据并正确读取

核心问题分析 #

你之前的报错根源是用错了读取工具：readHTMLTable仅针对网页HTML表格，无法解析二进制格式的.xls文件；若用普通文本读取函数（如read.table）读.xls，哪怕下载时加了mode='wb'，也会因格式不兼容报错。必须用专门的Excel文件读取包。

具体解决方案 #

1. 下载文件（确保二进制模式）

用download.file时必须指定mode='wb'，因为.xls是二进制文件，不指定会导致文件损坏：

# 替换为你的目标.xls文件URL
target_url <- "https://example.com/data.xls"
# 保存到临时文件或指定路径
download.file(url = target_url, destfile = "temp_data.xls", mode = "wb")

2. 读取带合并单元格的.xls文件

推荐使用readxl包（专门处理xls/xlsx格式，支持识别合并单元格），步骤如下：

• 安装并加载包：

install.packages("readxl")
library(readxl)

• 读取文件并处理合并表头：
  首行合并单元格的内容会被readxl放在第一个单元格，其余合并位置为空。我们可以先读取原始内容，再填充列名：

# 先读取所有内容，不自动识别列名
raw_data <- read_excel("temp_data.xls", col_names = FALSE)

# 提取首行作为原始表头，用前一个非空值填充合并单元格的空列名
install.packages("zoo")
library(zoo)
header <- raw_data[1, ]
filled_header <- zoo::na.locf(header) # 向前填充空值

# 设置列名并跳过首行表头
colnames(raw_data) <- filled_header
final_data <- raw_data[-1, ]

备选方案：使用openxlsx包

如果需要更灵活的Excel操作（比如直接读取合并单元格的范围），可以用openxlsx（注：openxlsx主要支持.xlsx，大部分.xls文件也兼容）：

install.packages("openxlsx")
library(openxlsx)

# 读取工作簿
wb <- loadWorkbook("temp_data.xls")
# 读取指定工作表，自动填充合并单元格的内容到对应列
final_data <- read.xlsx(wb, sheet = 1, fillMergedCells = TRUE)

关键注意事项 #

• 绝对不要用read.table、read.csv这类文本读取函数处理.xls文件，它们无法解析二进制格式。
• 合并单元格的表头处理是核心，用na.locf或openxlsx的fillMergedCells参数可快速解决空列名问题。

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