R语言抓取含合并行网页表格：拆分换行分隔的列数据

问题背景 #

抓取Spotify新闻页的新兴艺术家表格时，遇到两个核心问题：

• 第一列（国家/地区）对应第二列多个艺术家（单元格跨多行合并）
• 第二列的多个艺术家以换行符\n合并在单个单元格内
  需要将第二列的艺术家拆分到独立行，每行匹配所属的国家/地区。

当前抓取代码：

library(rvest)
# Spotify全球新兴艺术家列表
upcoming_artists_url <- "https://newsroom.spotify.com/2020-03-09/36-new-artists-around-the-world-that-are-on-spotifys-radar/"
upcoming_artists <- read_html(upcoming_artists_url)
upcoming_artists_table <- html_table(upcoming_artists)[[1]]

错误数据框示例（简化版）：

structure(list(
  X1 = c("Spain", "France", "Japan\n*RADAR locally titled Early Noise"),
  X2 = c("DORA \nAleesha\nMaría José Llergo\nGuitarricadelafuente\nParanoid 1966",
         "Lous and the Yakuza \nYuzmv\nPhilippine\nHervé",
         "Fujii Kaze\nVaundy\nRina Sawayama")
), row.names = c(NA, -3L), class = c("tbl_df", "tbl", "data.frame"))

解决方案 #

使用tidyr包的separate_rows()函数拆分合并单元格，同时清理冗余信息：

步骤1：加载依赖包 #

library(rvest)
library(tidyverse) # 整合tidyr、dplyr等数据处理工具

步骤2：抓取并清洗表格 #

# 抓取页面并提取表格
upcoming_artists_url <- "https://newsroom.spotify.com/2020-03-09/36-new-artists-around-the-world-that-are-on-spotifys-radar/"
upcoming_artists <- read_html(upcoming_artists_url)
upcoming_artists_table <- html_table(upcoming_artists)[[1]]

# 拆分合并单元格并清理数据
cleaned_table <- upcoming_artists_table %>%
  # 按换行符拆分第二列，自动复制对应国家/地区到新行
  separate_rows(X2, sep = "\n") %>%
  # 清理艺术家名称前后的多余空格
  mutate(
    X2 = str_trim(X2),
    # 移除国家/地区列中的注释文本（如Japan行的*RADAR说明）
    X1 = str_remove(X1, "\n\\*.*")
  ) %>%
  # 重命名列名提升可读性
  rename(
    国家/地区 = X1,
    艺术家 = X2
  )

处理后的数据示例 #

# 部分结果展示
# # A tibble: 12 × 2
#   国家/地区 艺术家               
#   <chr>      <chr>                 
# 1 Spain      DORA                  
# 2 Spain      Aleesha               
# 3 Spain      María José Llergo     
# 4 Spain      Guitarricadelafuente  
# 5 Spain      Paranoid 1966         
# 6 France     Lous and the Yakuza   
# 7 France     Yuzmv                 
# 8 France     Philippine            
# 9 France     Hervé                 
# 10 Japan     Fujii Kaze            
# 11 Japan     Vaundy                
# 12 Japan     Rina Sawayama         

关键说明 #

• separate_rows()：自动拆分含多行内容的单元格，同时保留对应行的其他列数据，完美解决跨单元格合并问题
• str_trim()：去除艺术家名称前后的冗余空格（原数据换行后可能附带空格）
• str_remove()：清理国家/地区列中的额外注释，让数据更整洁

内容的提问来源于stack exchange，提问作者driver