如何程序化提取knitr生成HTML中嵌入的DT datatable及CSV数据

完全可以从knitr生成的HTML文件中提取DT::datatable的全量数据，你用rvest::html_table()抓不到的核心原因是：DT作为前端渲染的表格组件，不会把全量数据静态写入<table>标签，所有源数据都以JSON格式内嵌在页面的htmlwidget配置块中，和页面上的CSV按钮读取的是同一份源数据，不存在独立嵌入的.csv文件。

轻量提取方案（无重依赖，推荐） #

只需要rvest+jsonlite+purrr三个包，直接解析内嵌的JSON配置块即可拿到全量数据，不受分页、前端渲染规则影响，速度远快于模拟浏览器的方案：

library(rvest)
library(jsonlite)
library(purrr)

# 读入渲染完成的HTML文件
html_doc <- read_html("example.html")

# 提取所有DT表数据
extracted_tables <- html_doc %>%
  # 定位htmlwidget存储配置的JSON脚本块
  html_elements("script[type='application/json'][data-for]") %>%
  map(~{
    conf <- fromJSON(html_text(.x), simplifyVector = TRUE)
    # 筛选出DT组件对应的块（存在x$data字段即为DT表）
    if (is.null(conf$x$data)) return(NULL)
    # 转换为标准data.frame，补全列名、行名
    df <- as.data.frame(conf$x$data)
    colnames(df) <- c("row_names", conf$x$colnames)
    rownames(df) <- df$row_names
    df <- df[, -1]
    return(df)
  }) %>%
  discard(is.null)

# 提取结果按Rmd中DT表的书写顺序存储在列表中
# 对应示例文件，第一个元素是tbl1，第二个是tbl2
tbl1 <- extracted_tables[[1]]
tbl2 <- extracted_tables[[2]]

方案说明 #

• 该方法提取的是DT渲染用的原始源数据，和点击CSV按钮导出的内容完全一致，不需要额外模拟点击下载操作
• 不受DT配置影响：不管是否开启分页、是否显示CSV按钮、是否做了前端格式化，都能拿到完整的原始数据
• 如果确实需要抓取前端渲染后的DOM文本（比如DT列里加了自定义HTML标签、格式化后的显示值），才需要用无头浏览器方案（比如chromote包）加载页面后再读取表格节点，常规取数场景完全不需要。

内容的提问来源于stack exchange，提问作者jsavn