使用 R 中的 Rvest 从表中删除多个标题行

Question

我正在尝试从 Sports Reference 中抓取表格：

cu_url <- "https://www.sports-reference.com/cbb/schools/creighton/"

我能够像这样将表格放入数据框中：

cu_html <- read_html(cu_url)
cu_table <- html_nodes(cu_html, "table")
cu_info <- data.frame(html_table(cu_table))
colnames(cu_info) <- cu_info[1,]
cu_info <- cu_info[-1,]

但是，我注意到标题行在整个数据中重复出现。例如，第 22 行再次将标题显示为一行。有没有有效的方法来消除这些？在 HTML 中，标题行都有一个 table row () 类的“thead”，所以我想知道是否可以要求 rvest 忽略这些但我在尝试使用时失败了！ =。

欣赏任何想法。如果我需要删除实际的标题才能使其正常工作，我会但更愿意保留该标题并删除重复项。

Answer 1

您只能保留Rk 列中只有数字的行。

library(rvest)
library(dplyr)

cu_url %>%
  read_html %>%
  html_nodes('table') %>%
  html_table() %>%
  .[[1]]  %>%
  setNames(make.unique(unlist(.[1,]))) %>%
  slice(-1L) %>%
  filter(grepl('^\\d+$', Rk)) -> result

result