标签的 HTML 表格并智能拆分列
" />
本文介绍如何使用 rvest 和 tidyr 在网页抓取后，精准处理 HTML 表格中由 分隔的复合文本（如“机构名地址”），将其自动拆分为两个独立列，避免手动解析 DOM 或正则误匹配。
本文介绍如何使用 `rvest` 和 `tidyr` 在网页抓取后，精准处理 html 表格中由 `
` 分隔的复合文本（如“机构名
地址”），将其自动拆分为两个独立列，避免手动解析 dom 或正则误匹配。
在使用 rvest::html_table() 解析网页表格时，一个常见痛点是：当某列单元格内嵌 <br> 标签（例如 <td>LMS - City 1, 2, 3 YSA<br><small>612 Glen Rd</small>
</td>）时，html_table() 会直接忽略 HTML 结构，将换行标签连同文本一并抹平为 "LMS - City 1, 2, 3 YSA612 Glen Rd"，导致关键信息混杂、无法结构化使用。
标准解决方案并非重写 HTML 解析逻辑，而是在 html_table() 执行前对原始 HTML 文本进行轻量预处理——将 <br> 替换为一个安全、唯一、非 HTML 的占位符（如 "{-br-}"），再交由 html_table() 解析；最后用 tidyr::separate_wider_delim() 按该占位符精准切分列。该方法兼顾鲁棒性与简洁性，无需遍历节点或提取 text_content() + 正则匹配，也规避了 <br> 出现在其他列（如备注）时的误拆风险。
以下是集成到原爬虫流程中的核心增强代码（替换原循环中 html_table() 部分）：
library(rvest)
library(stringr)
library(tidyr)
# 在 for 循环内部，替换原 table <- ... html_table() 部分：
page <- session %>% jump_to(page_url)
content_text <- httr::content(page$response, as = "text")
# 关键预处理：将 <br> 替换为唯一分隔符（注意：fixed() 确保字面匹配）
cleaned_html <- str_replace_all(content_text, fixed("<br>"), "{-br-}")
# 解析表格（此时 <br> 已被转义，不再干扰解析）
table_df <- read_html(cleaned_html) %>%
html_element("table") %>%
html_table(fill = TRUE)
# 对 Location 列按占位符拆分为 Location 和 Address 两列
# 注意：列名需与实际解析结果一致（此处假设原始表头为 "Location"）
table_df <- table_df %>%
separate_wider_delim(
cols = Location,
delim = "{-br-}",
names = c("Location", "Address"),
too_few = "align_start", # 若某行无 <br>，右侧补 NA
too_many = "error"
)✅ 注意事项与最佳实践：
立即学习“前端免费学习笔记（深入）”；
-
占位符选择原则：必须确保不与真实业务数据冲突（如
{--br--}或|BR|更稳妥），避免sep=","类型误切；fixed()匹配可杜绝正则元字符干扰。 -
列名一致性：
separate_wider_delim()的cols参数需严格匹配html_table()输出的列名（可通过names(table_df)核对，原始 HTML 表头可能生成如"LocationLocation"的重复名，需先rename()规范）。 -
性能优化建议：原代码中
all_tables 属于「R Inferno 第二圆」反模式（动态增长对象）。应预先分配列表：<code>all_tables ，再用 <code>all_tables[[i]] 赋值，大幅提升大表合并效率。 -
容错增强：若部分行无
<br>（如纯名称），设置too_few = "align_start"可使"Location"保留原值，"Address"自动填充NA，保障数据完整性。
通过这一预处理+结构化拆分策略，您既能复用 rvest 的成熟表格解析能力，又能精准解耦混合语义字段，最终输出清晰、可直接用于分析或导出的规范化数据框。
