Question

HTML表主体比表头中定义的列多1列。这导致跳过最后一列，当然还有列不匹配。如何在使用package("htmltab")的HTML表格中读取R中的结果data.frame / table时添加其他列显然，后期处理没有帮助。

码

install.packages("htmltab")
library(htmltab)
bu<- 0
bu <- data.table("Pl.", "Mannschaft", "Kurzname" ,  "Spiele", "G.", "U.", "V.", "Tore", "Diff.", "Pkt.")
#https://www.bundesliga-prognose.de/1/2009/1/
url <- "https://www.bundesliga-prognose.de/1/2009/1/"
bu <- htmltab(doc = url,  column=10,columnnames=c ("Pl." ,  "Mannschaft", "Kurzname" , "Spiele", "G.", "U.", "V.", "Tore", "Diff.", "Pkt."), which = "//th[text() = 'Pl.']/ancestor::table")
bu <- data.table(bu)
head(bu)

导致

 Pl.            Mannschaft        Spiele G. U. V. Tore Diff. Pkt.
 1:  1.         VfL Wolfsburg     Wolfsburg  1  1  0    0   2:0    2
 2:  2.   Eintracht Frankfurt  E. Frankfurt  1  1  0    0   3:2    1
 3:  3.         FC Schalke 04 FC Schalke 04  1  1  0    0   2:1    1
 4:  4.     Borussia Dortmund   B. Dortmund  1  1  0    0   1:0    1
 5:  NA     Hertha BSC Berlin H. BSC Berlin  1  1  0    0   1:0    1
 6:  6. Bor. MÃ¶nchengladbach   MÂ´gladbach  1  0  1    0   3:3    0

由于标题中未指定短名称（“ Kurzname ”），因此会在游戏中显示短名称（“ Kurzname ”）（{{ 1}}）列等等。所以跳过最后一列。如何使用Spiele包读取标题时添加其他列短名称（“ Kurzname ”）？另外，我想使用htmltab包替换第5行中的NA和行ID /号码？

Answer 1

这似乎确实是htmltab的一个问题。我找到的唯一解决方案是直接读取表的tbody。然后，您需要手动添加标题。

htmltab(doc = url, which = "//table[2]/tbody")

Answer 2

在这种帮助下，我找到了一个非常简单的解决方案：

指定跳过标题
通过colNames列出/定义所有colums

url＆lt; - ＆＃34; https://www.bundesliga-prognose.de/1/2007/5/＆＃34; sp_2007_5＆lt; - htmltab（doc = url，其中=＆＃34; // table [1] / tbody＆＃34;，header = 0，colNames = c（＆＃34; Datum＆＃34;，＆＃34; Anpfiff＆＃ 34;，＆＃34; Heim＆＃34;，＆＃34; Heim_Kurzname＆＃34;，＆＃34; Gast＆＃34;，＆＃34; Gast_Kurzname＆＃34;，＆＃34; Ergebnis＆＃34;，＆＃ 34;预测＆＃34;），rm_nodata_cols = F，编码=＆＃34; UTF-8＆＃34;） head（sp_2007_5）

如何读取包含不匹配的列和标题的HTML表格？

2 个答案: