R网络抓取包无法读取所有url表

Question

我正在尝试从以下链接中抓取一些表格: 'https://www.pro-football-reference.com/boxscores/201209050nyg.htm ' 从我尝试的一些方法/包中可以看出，我认为 R 无法读取整个 url。以下是我所做的一些尝试:

a <- getURL(url)
tabs <- readHTMLTable(a, stringsAsFactors = T)

和

x <- read_html(url)
y <- html_nodes(x,xpath= '//*[@id="div_home_snap_counts"]')

我已经用这两种方法成功读取了前两个表，但之后无论我使用 xpath 还是 css，我都无法读取任何其他表。有谁知道为什么我无法阅读后面的表格？

Answer 1

如果您使用 Chrome 等浏览器，您可以进入设置并禁用 JavaScript。然后您会看到只有几张 table 。其余的需要 javascript 运行才能加载。当您使用当前方法时，如浏览器中显示的那样，这些内容不会被加载。可能的解决方案是:

1. 使用 RSelenium 等允许 javascript 运行的方法
2. 检查页面的 HTML 以查看信息是否存储在其他位置并且可以从那里获取。有时，信息是从 script 标记中检索的，例如，信息存储为 json/javascript 对象
3. 刷新页面时监视网络流量(F12 打开开发工具，然后打开“网络”选项卡)，并查看是否可以找到加载附加内容的源。您可能会找到可以使用的其他端点)。

查看该页面，似乎至少有两个缺失的表(可能是全部)实际上存储在返回的 html 中的注释中，与具有类 placeholder 的 div 相关联；并且您需要删除注释标记，或者使用允许解析注释的方法。据推测，当 javascript 运行时，这些注释会转换为显示的内容。

以下是 html 中的示例:

看着这个answer作者:@alistaire，一种方法如下(如上图所示为单个示例表)

library(rvest)

h <- read_html('https://www.pro-football-reference.com/boxscores/201209050nyg.htm')

df <- h %>% html_nodes(xpath = '//comment()') %>%   
  html_text() %>%  
  paste(collapse = '') %>%   
  read_html() %>%  
  html_node('#game_info') %>%   
  html_table()