使用R语言rvest包爬取冰球参考网站球队统计表格求助

我正在尝试从Hockey Reference的球队页面提取「Team Statistics」表格的数据。我之前试过XML包，现在用rvest包，已经用以下代码定位到了表格节点：

library(rvest)
url <- html("https://www.hockey-reference.com/teams/CGY/2010.html")
url %>% html_node(xpath = "//*[@id='team_stats']")

执行后得到了单个节点：{xml_node} <table class="sortable stats_tab...，但我不知道接下来怎么把这个节点转换成可用的表格数据框，希望能得到后续的方法指导。

嗨，很高兴你已经成功定位到目标表格节点了！接下来的步骤其实很简单，rvest自带的工具就能帮你快速把HTML表格转成R里能用的数据框，具体操作看下面：

1. 用html_table()直接提取数据 #

你只需要在已定位的节点后面链式调用html_table()函数，它会自动解析表格结构并转换成数据框。另外提一句，现在rvest更推荐用read_html()来读取网页，比旧版的html()兼容性更好，修改后的完整代码如下：

library(rvest)
# 读取目标网页
url <- read_html("https://www.hockey-reference.com/teams/CGY/2010.html")
# 定位表格并提取为数据框
team_stats_df <- url %>% 
  html_node(xpath = "//*[@id='team_stats']") %>% 
  html_table(header = TRUE)

header = TRUE参数会让表格的第一行自动成为数据框的列名，刚好符合这个页面表格的结构。

2. 清理可能的表头问题 #

Hockey Reference的表格偶尔会有合并表头的情况，提取后可能出现列名重复或者格式混乱的问题，你可以简单处理一下：

• 如果列名有重复，用make.unique()自动生成唯一列名：

colnames(team_stats_df) <- make.unique(colnames(team_stats_df))

• 也可以手动修改列名让数据更直观：

colnames(team_stats_df) <- c("统计项", "球队数据", "联盟平均值")

3. 验证提取结果 #

最后用head(team_stats_df)查看前几行数据，确认所有统计项和对应数值都正确提取就大功告成啦！

内容的提问来源于stack exchange，提问作者Conner M.