You need to enable JavaScript to run this app. 如何使用R语言从维基百科提取各类表格及处理抽取无序问题
优惠活动
大模型
产品
解决方案
定价
更多

如何使用R语言从维基百科提取各类表格及处理抽取无序问题

原代码失效的核心原因
  • 通用HTML表格解析工具readHTMLTable会抓取页面上所有表格元素,包括维基页面内置的导航栏、侧边栏、列宽占位的隐藏表格,通过datos[[2]]这类固定索引取数,根本无法定位到目标首相信息表
  • 工具默认的表头、内容识别逻辑,会将维基表格里跨列、跨行的合并单元格拆解为错位空值,原表的层级分组关系丢失,最终得到的数据会看起来毫无顺序
优化后可直接运行的提取逻辑

用CSS选择器精准定位维基正式内容表格,避开所有非目标杂表:

library(rvest)

# 加载目标维基页面
page <- read_html("https://en.wikipedia.org/wiki/List_of_prime_ministers_of_Spain")

# 筛选所有带`wikitable`类的表格——这是维基百科正式数据表格的统一标识
target_tables <- page %>% 
  html_elements("table.wikitable") %>% 
  html_table()

# 此时target_tables列表内无导航、占位类杂表
# 取列表内第一份表格即可获得西班牙首相任期主表
prime_minister_table <- target_tables[[1]]
后续数据清洗要点
  • 提取后先打印表格前3行校验字段,不要依赖固定索引:页面内容更新后表格顺序可能变动,但wikitable类的筛选逻辑不受影响
  • 对合并单元格产生的空值,可通过向下填充还原原表的分组顺序:
library(tidyr)
clean_table <- prime_minister_table %>% 
  fill(where(~ is.character(.x)), .direction = "down")

内容的提问来源于stack exchange,提问作者Ojo Topacio

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.16 23:36:03