本文介绍如何使用 rvest 包精准提取网页中首个 html 表格，并转换为结构化 data.frame，适用于金融统计等静态页面的数据采集场景。
本文介绍如何使用 rvest 包精准提取网页中首个 html 表格，并转换为结构化 data.frame，适用于金融统计等静态页面的数据采集场景。
在网页数据抓取（web scraping）任务中，将 HTML 表格转化为可分析的 R 数据框（data.frame 或 tibble）是最常见且关键的一步。以美联储金融服务局（FRB Services）发布的季度证券转账统计页为例，其核心数据以标准 <table> 标签呈现，非常适合用 <code>rvest 进行声明式解析。
以下是一套简洁、健壮的提取流程：
library(rvest)
u <- paste0("https://www.frbservices.org/resources/financial-services/securities/",
"volume-value-stats/quarterly-stats.html")
w <- read_html(u)
# 提取页面中第一个 <table> 元素，并直接解析为 data.frame
df <- w |>
html_element("table") |>
html_table()该代码链式调用（pipe-based）清晰表达了“读取 → 定位表格 → 解析”的逻辑：
-
html_element("table")选取文档中第一个匹配的<table> 标签（若页面含多个表格，需改用 <code>html_elements("table")[[i]]指定索引）；html_table()自动识别表头（<th>）、单元格（<code><td>），处理跨行/跨列（<code>rowspan/colspan）结构，并尝试进行类型推断（如数字列转为numeric，但注意含逗号或括号的字段仍为字符型，需后续清洗）。⚠️ 注意事项与优化建议：
-
列名清理：原始列名常含换行符（
"Transfers originated1 (number)"），建议立即标准化：names(df) <- gsub("\s+", " ", trimws(names(df))) %>% gsub("\([^)]*\)", "", .) %>% # 移除括号及内容（如 "(percent)"） trimws() -
数值列转换：
html_table()默认不解析千分位逗号或负号括号（如"6,843,936"或"(5.6)"）。推荐使用readr::parse_number()和自定义函数统一处理：library(readr) df$`Quarterly volume growth percent` <- parse_number(df$`Quarterly volume growth percent`) df$`Value of transfers originated $millions` <- parse_number(df$`Value of transfers originated $millions`)
-
容错增强：生产环境中应加入错误检查，避免因网页结构变动导致脚本中断：
tbl_node <- html_element(w, "table") if (is.null(tbl_node)) stop("No <table> element found on the page.") df <- html_table(tbl_node, fill = TRUE) # fill = TRUE 处理不规则行
最终得到的
df是一个标准tibble，可直接用于dplyr变换、ggplot2可视化或导出为 CSV。整个过程无需正则解析或手动遍历 DOM，兼顾简洁性与可维护性——这正是现代 R 网络爬虫的最佳实践。
