代码之家 › 专栏 › 技术社区 › klamsi

如何下载r中列数不一致的HTML表?

rvest excel r html

klamsi · 技术社区 · 7 年前

我当前正在尝试从以下URL下载表:

url1<-"http://iambweb.ams.or.at/ambweb/showcognusServlet?tabkey=3643193&regionDisplay=%C3%96sterreich&export=html&outputLocale=de"

我下载并将文件保存为.xls,因为我认为它是一个Excel文件,代码如下:

temp <- paste0(tempfile(), ".xls")
download.file(url1, destfile = temp, mode = "wb")

首先,我尝试将它作为Excel文件在R中读取,但它似乎是一个HTML(但可以由Excel读取):

dfAMS <- read_excel(path = temp, sheet = "Sheet1", range = "I7:I37")

因此:

df <- read_html(temp)

现在不幸的是,我卡住了,因为下面的代码行不能给出预期的结果(一个好的表或至少.xls中的列i7:i37):

dfAMS <- html_node(df, "table") %>% html_table(fill = T) %>% tibble::as_tibble()
dplyr::glimpse(df)

我很确定这个解决方案相当简单,但我现在陷入困境,找不到解决方案…

事先谢谢!

1 回复 | 直到 7 年前

Nicolás Velasquez 7 年前

klamsi,该URL指向一个HTML文件,该文件被重命名为扩展名为“.xls”。这在网站管理员中有点常见。通过将扩展名“.xls”重命名为“.html”,自己尝试一下。

第二个问题是HTML的表配置非常混乱。兴趣表是文档中的第五个表。

这是一个获得总体人口值的解决方案(或“范围A7:B37,I7:K37”)。

url <- "http://iambweb.ams.or.at/ambweb/showcognusServlet?tabkey=3643193&regionDisplay=%C3%96sterreich&export=html&outputLocale=en"

df <- read_html(url) %>%
      html_table(header = TRUE, fill = TRUE) %>% 
      .[[5]] %>% #Extract the fifth table in the list
      as.data.frame() %>% 
      .[,c(1:11)] %>% 
      select(1:2, 9:11)

names <- unlist(df[1,])
names[1:2] <- c("item", "Bundesland")
colnames(df) <- names
df <- df[-1,]

df %>% head()

  item              Bundesland Bestand VerÃ¤nderung zum VJ absolut VerÃ¤nderung zum VJ in %
2 Arbeitslosigkeit       Bgld    7119                       -973      -0.120242214532872
3 Arbeitslosigkeit        Ktn   16564                      -2160      -0.115359965819269
4 Arbeitslosigkeit         NÃ   46342                      -6095      -0.116234719758949
5 Arbeitslosigkeit         OÃ   29762                      -4649      -0.135102147569091
6 Arbeitslosigkeit        Sbg   11173                       -643     -0.0544177386594448
7 Arbeitslosigkeit       Stmk   28677                      -5602        -0.1634236704688