如何在R中抓取含跨多行列的复杂系谱表（pedigree chart）？

步骤1：放弃自动表格解析，手动提取单元格内容 #

常规的html_table()会因为HTML里混乱的colspan/rowspan属性导致解析结果重复、结构混乱，所以直接提取所有<td>元素的文本并清理：

library(rvest)
library(stringr)
library(dplyr)

# 替换为目标页面的URL或本地HTML路径
page <- read_html("你的目标页面地址")

# 提取所有表格单元格文本，清理冗余空格与空内容
cells <- page %>% 
  html_nodes("#PedigreeTable td") %>% 
  html_text() %>% 
  str_squish() %>% 
  filter(. != "")

步骤2：分析系谱表的层级映射规律 #

从你描述的结构来看，这个系谱表是层级化布局：顶层个体（如Betty）在最上方，其父母（Jack、Sue）分布在后续行的对应位置，再往下是祖父母、曾祖父母层级，每个层级的个体数量是上一层的2倍。

根据你提供的内容，核心关系为：

• Betty → 父亲Jack、母亲Sue
• Jack → 父亲Bo、母亲Bob
• Sue → 父亲Owen、母亲Jacob
• Jim → 父亲Luca、母亲Blane
• 附带个体：Dan（b 1932）、Ava（b 1947）

步骤3：构建规范的亲属关系DataFrame #

手动映射（适合小型系谱） #

如果系谱规模不大，直接按关系手动构建：

pedigree_df <- tibble(
  person = c("Betty", "Jack", "Sue", "Bo", "Bob", "Owen", "Jacob", "Jim", "Dan", "Ava"),
  father = c("Jack", "Bo", "Owen", NA, NA, NA, NA, "Luca", NA, NA),
  mother = c("Sue", "Bob", "Jacob", NA, NA, NA, NA, "Blane", NA, NA),
  birth_year = c(NA, NA, 1940, NA, NA, NA, NA, NA, 1932, 1947)
)

自动匹配逻辑（适合大型系谱） #

如果系谱是标准层级布局，可通过索引自动关联亲属关系：

# 按层级划分单元格（根据实际结构调整索引范围）
levels <- list(
  level1 = cells[1],          # 顶层个体：Betty
  level2 = cells[2:3],        # 父母层：Jack、Sue
  level3 = cells[4:7],        # 祖父母层：Bo、Bob、Owen、Jacob
  level4 = cells[8:11],       # 曾祖父母层：Jim、Dan、Luca、Blane
  others = cells[12]          # 其他个体：Ava
)

# 逐层构建亲属关系
pedigree_df <- bind_rows(
  # 顶层个体与父母
  tibble(
    person = levels$level1,
    father = levels$level2[1],
    mother = levels$level2[2]
  ),
  # 父母与祖父母
  tibble(
    person = levels$level2,
    father = levels$level3[c(1,3)],
    mother = levels$level3[c(2,4)]
  ),
  # 祖父母与曾祖父母（根据实际数据调整匹配逻辑）
  tibble(
    person = levels$level3,
    father = levels$level4[c(1,2,3,4)],
    mother = NA
  ),
  # 剩余个体
  tibble(
    person = c(levels$level4, levels$others),
    father = NA,
    mother = NA
  )
) %>% 
  # 分离出生年份与姓名
  mutate(
    birth_year = str_extract(person, "\\d{4}"),
    person = str_remove(person, " b \\d{4}")
  )

步骤4：验证与调整 #

运行后检查DataFrame是否符合预期，若单元格顺序或层级关系与假设不符，仅需调整levels中的索引范围或匹配逻辑即可。

内容的提问来源于stack exchange，提问作者Abe