R语言rvest包html_elements提取重复分类值填充数据框方法

你之前无法关联分类和赛事的核心原因是：该页面的层级分类（运动类型、国家、联赛）和具体赛事条目是同级兄弟节点，按从上到下的顺序排列在DOM树中，并非嵌套在分类节点内部。单独提取所有分类文本、所有赛事文本后，两个序列的索引没有稳定的对应关系，很容易错位。

核心逻辑是按节点在页面中出现的顺序逐一遍历，维护当前层级的分类状态，遇到赛事条目时直接绑定当前状态值即可，步骤如下：

• 先提取赛事列表容器下所有相关节点（运动分类头、国家分类头、联赛分类头、具体赛事条目），保留节点在页面里的原始顺序
• 初始化三个变量分别存储当前遍历位置对应的运动类型、国家、联赛值，初始值设为缺失
• 按顺序遍历每个节点：如果是分类头节点，就更新对应分类变量的值；如果是具体赛事节点，就提取赛事本身的标题、比分、时长字段，和当前三个分类变量的值组合为一行记录存入结果集
• 所有节点遍历完成后，把结果集合并为最终数据框

library(rvest)
library(tidyverse)

page <- read_html("https://www.supermatch.com.uy/live_recargar_menu/")

# 按页面顺序提取所有分类节点、赛事节点
all_nodes <- page %>% 
  html_elements(xpath = "//div[contains(@class,'contenedor_live')]/*[self::div[contains(@class,'deporte')] or self::div[contains(@class,'pais')] or self::div[contains(@class,'liga')] or self::div[contains(@class,'partido')]]")

# 初始化状态变量和结果存储列表
current_sport <- NA_character_
current_country <- NA_character_
current_league <- NA_character_
result_list <- list()

# 顺序遍历节点匹配层级关系
for (i in seq_along(all_nodes)) {
  node <- all_nodes[[i]]
  node_class <- html_attr(node, "class")
  
  # 遇到运动类型头，更新当前运动状态
  if (str_detect(node_class, "deporte")) {
    current_sport <- html_text(node) %>% str_squish()
    next
  }
  
  # 遇到国家头，更新当前国家状态
  if (str_detect(node_class, "pais")) {
    current_country <- html_text(node) %>% str_squish()
    next
  }
  
  # 遇到联赛头，更新当前联赛状态
  if (str_detect(node_class, "liga")) {
    current_league <- html_text(node) %>% str_squish()
    next
  }
  
  # 遇到具体赛事，绑定当前层级状态+提取赛事字段
  if (str_detect(node_class, "partido")) {
    match_row <- tibble(
      Tipo_deporte = current_sport,
      Pais = current_country,
      Nombre_competicion = current_league,
      Titulo = html_element(node, ".titulo") %>% html_text() %>% str_squish(),
      Marcador = html_element(node, ".marcador") %>% html_text() %>% str_squish(),
      Tiempo = html_element(node, xpath = "./*[contains(@class,'marcador')]/following-sibling::span[1]") %>% html_text() %>% str_squish()
    )
    result_list <- append(result_list, list(match_row))
  }
}

# 合并为最终结构化数据框
final_data <- bind_rows(result_list)

• 如果实际页面的class命名和代码里的匹配规则有出入，直接调整节点class的判断逻辑即可，核心遍历逻辑不需要改动
• 这种顺序遍历+状态更新的方式容错率远高于按索引硬匹配，哪怕某个分类下的赛事数量临时增减，也不会出现分类和赛事错位的问题
• 如果碰到页面内容异步加载、静态请求拿不到全量节点的情况，可以先抓包拿到live数据的接口返回值再做解析，层级匹配的逻辑完全通用

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