使用readHTML从https网页读取表格HTML表格

我已安装R 3.3.1并使用RStudio 0.99.903。我想从以下网址的表读入R：https://www.fantasypros.com/nfl/rankings/consensus-cheatsheets.php 使用readHTML从https网页读取表格HTML表格

（我很清楚，有一个下载按钮，不过，这不适合我现在的选项）

我去年使用readHTMLTable函数能够轻松地完成这项工作。但是，那个时候，该网站从使用http更改为https，导致“XML内容不是XML”错误。

我试了一下在这里建议：get url table into a `data.frame` R-XML-RCurl

library(XML) 
library(RCurl) 
url <- getURL("https://www.fantasypros.com/nfl/rankings/consensus-cheatsheets.php") 
df <- readHTMLTable(URL, header = T)

的get URL函数返回一个大的字符串是基本无意义对我来说，这意味着readHTMLTable无法正常工作（我得到一个列表，用几个数据帧，但这些也没有意义对我来说这是一个在与西班牙的东西，我不知道他们来自哪里观察）：

>url 
[1] "\r\n<!DOCTYPE html>\n<html lang=\"en\">\n\n<head>\n <title>2016 QB Fantasy Football Rankings, QB Cheat Sheets, QB Draft/Draft Rankings</title>\n <meta http-equiv=\"Content-Type\" content=\"text/html; charset=UTF-8\">\n <meta name=\"description\" content=\"Don&#8217;t trust any 1 fantasy football expert? We combine their rankings into 1 Expert Consensus Ranking. Our 2016 Draft QB rankings are updated daily.\">\n<link rel=\"canonical\" href=\"https://www.fantasypros.com/nfl/rankings/qb-cheatsheets.php\" />\n\n <meta property=\"fb:pages\" content=\"184352014941166\"/>\n

它持续了相当长一段路了。

有人可以给我建议如何让这个工作？

谢谢。

来源

2016-08-20 Mike Edinger

This This是近一年后，但你的代码现在适用于R版本3.4.0修补程序（2017-05-02 r72649）下：Windows 10 x64（版本14393）使用RCurl 1.95-4.8，bithop 1.0-6和XML 3.98- 1.7除了在问题'URL'中的第四行代码应该是'url'与第三行一致。 –

获取HTML从

library("httr") 
library("XML") 
URL <- "https://www.fantasypros.com/nfl/rankings/consensus-cheatsheets.php" 
temp <- tempfile(fileext = ".html") 
GET(url = URL, user_agent("Mozilla/5.0"), write_disk(temp))

解析HTML文件

doc <- htmlParse(temp)

XPath查询是通过与class = "player-table"并具有class = 'mpb-player-'

xpexpr <- "//table[contains(@class, 'player-table')]/tbody/tr[contains(@class, 'mpb-player-')]"

其子 tr元素选择 table元素构建的URL文件

从文档获取节点列表XPath表达式

listofTableNodes <- getNodeSet(doc, xpexpr) 
listofTableNodes

创建节点列表的xmlvalues一个数据帧

df <- xmlToDataFrame(listofTableNodes, stringsAsFactors = FALSE) 
# alternatively xpathSApply can be used to get the same data frame 
# df <- xmlToDataFrame(xpathSApply(doc, xpexpr), stringsAsFactors = FALSE)

删除空列

df <- df[, seq(1, length(df), by = 2)]

添加列名

xpexpr <- "//table[contains(@class, 'player-table')]/thead/tr/th" 
listofTableNodes <- getNodeSet(doc, xpexpr) 
listofTableNodes 
colnames(df) <- gsub("[\r\n ]*$", '', xmlSApply(listofTableNodes, xmlValue)) 

head(df) 
# Rank   Player (Team) Pos Bye Best Worst Avg Std Dev ADP vs. ADP 
# 1 1  Antonio Brown PIT WR1 8 1  5 1.3  0.8 1.0  0.0 
# 2 2 Odell Beckham Jr. NYG WR2 8 1  9 3.1  1.6 2.0  0.0 
# 3 3  Julio Jones ATL WR3 11 1  6 3.4  1.1 4.0 +1.0 
# 4 4  Todd Gurley LA RB1 8 1 11 4.5  2.3 3.0 -1.0 
# 5 5  David Johnson ARI RB2 9 1 19 6.1  3.5 6.0 +1.0 
# 6 6 Adrian Peterson MIN RB3 6 1 22 7.6  3.8 5.0 -1.0

来源

2016-08-20 22:26:14 Sathish

使用readHTML从https网页读取表格HTML表格

回答

相关问题