Rvest抓取NPB比赛数据实战教程

本文手把手教你用R语言rvest包稳定抓取日本职业棒球联盟（NPB）官网的多维比赛数据表，直击SSL证书错误、DOM结构动态变化与CSS选择器失效等实战痛点，通过本地缓存绕过HTTPS验证、精准定位.stdtblmain容器、启用fill=TRUE处理跨行合并单元格，并辅以编码声明和请求头模拟，提供一套开箱即用、高鲁棒性的爬虫解决方案——无论你是R新手还是数据分析师，都能快速获取干净、对齐、可直接分析的NPB结构化数据。

本文详解如何使用 R 语言的 rvest 包稳定抓取 npb.jp 网站上的多表格统计数据，重点解决 SSL 证书错误、动态结构识别与 CSS 选择器失效等常见问题，并提供可复用的健壮代码方案。

在使用 rvest 抓取日本职业棒球联盟（NPB）官网（如 https://npb.jp/bis/eng/2022/stats/std_c.html）时，许多用户会遇到“无法定位表格”的问题——即使 HTML 成功加载，html_nodes() 却返回空结果。这通常并非代码逻辑错误，而是由三方面原因导致：HTTPS 证书验证失败、网页实际 DOM 结构与开发者工具显示不一致、以及目标表格缺乏稳定 ID 或 class 标识。

首先，直接通过 URL 调用 read_html() 可能触发 SSL 证书错误（尤其在 Windows 或某些 R 版本下），导致页面解析中断或返回不完整 HTML。此时建议采用「本地缓存」策略：手动保存网页源码为 .html 文件（浏览器右键 → “查看页面源代码” → 全选复制 → 保存为 UTF-8 编码的 baseball.html），再从本地读取：

library(rvest)
library(magrittr)

# ✅ 推荐：绕过证书问题，确保 HTML 完整加载
url <- "baseball.html"  # 替换为你的本地路径
doc <- read_html(url)

其次，原问题中使用的 CSS 选择器 #stdivmaintbl > table > tbody > tr > td > div:nth-child(1) 过于具体且依赖 DOM 深层嵌套，极易因网页微小更新而失效。经检查，NPB 页面中所有主统计表格均包裹在具有统一类名 stdtblmain 的

# ✅ 正确：定位所有主数据表容器
tables <- doc %>% html_nodes(".stdtblmain") %>% html_table(fill = TRUE)