本文介绍如何利用 rvest 包从欧洲议会官网批量抓取议员姓名、所属党团及国籍/政党信息，并通过矩阵转换实现三列结构化存储，适用于多语言网页的稳健解析。
在数据采集实践中，欧洲议会官网（https://www.php.cn/link/e73b38ff519142fdc3723ddf4a3a5825）是获取权威议员信息的重要来源。其成员列表页（如意大利语版 https://www.php.cn/link/e73b38ff519142fdc3723ddf4a3a5825/meps/it/full-list/all）采用语义清晰的 HTML 结构：议员姓名通常位于
标签中，而党团（Political Group）、国籍（Country）和国内政党（National Party）则统一包裹在
容器内——每名议员对应三条连续文本行，顺序固定为：党团 → 国籍 → 国内政党。
要将该“三行一组”的扁平化文本流转化为结构化数据表，关键在于正确重塑（reshape）向量。html_text() 返回的是字符向量，长度为 3 × N（N 为议员总数）。此时直接调用 matrix(..., ncol = 3, byrow = TRUE) 即可按行优先方式将其重排为 N × 3 矩阵，完美匹配字段逻辑。
以下是完整、可复现的 R 教程代码：
library(rvest) library(dplyr) # Step 1: 抓取页面 url <- "https://www.php.cn/link/e73b38ff519142fdc3723ddf4a3a5825/meps/it/full-list/all" page <- read_html(url) # Step 2: 提取议员姓名（每个对应一人） names_vec <- page %>% html_elements("div.erpl_title-h4.t-item") %>% html_text(trim = TRUE) # Step 3: 提取附加信息（党团/国籍/国内政党），并重塑为三列矩阵 info_vec <- page %>% html_elements(".sln-additional-info") %>% html_text(trim = TRUE) # ⚠️ 注意：确保 info_vec 长度是 names_vec 的 3 倍，否则 reshape 会出错 if (length(info_vec) != 3 * length(names_vec)) { warning("附加信息条目数与议员数不匹配（应为3倍），请检查CSS选择器或页面结构变更") } info_mat <- matrix(info_vec, ncol = 3, byrow = TRUE) colnames(info_mat) <- c("Political_Group", "Country", "National_Party") # Step 4: 合并为数据框（推荐替代 cbind，避免类型强制转换问题） df <- data.frame( Name = names_vec, Political_Group = info_mat[, 1], Country = info_mat[, 2], National_Party = info_mat[, 3], stringsAsFactors = FALSE ) # 查看前6行结果 head(df)
重要注意事项：
- ✅ 编码与语言版本：示例使用意大利语路径（/meps/it/...），若需其他语言（如英语 /meps/en/...），请同步更新 URL 并验证 CSS 类名是否一致（部分语言版本可能微调 class 名，建议始终用 Chrome DevTools 实时校验）；
- ✅ 反爬与稳定性：该站点无强反爬机制，但建议添加 Sys.sleep(1) 或使用 httr::GET(..., timeout(10)) 增强鲁棒性；
- ✅ 数据清洗：html_text() 可能引入多余空格或换行符，务必启用 trim = TRUE；
- ❌ 避免 cbind() 直接拼接：cbind() 会将所有列转为 character，且返回矩阵而非数据框；使用 data.frame() 显式构造更可控、可扩展；
- ? 动态分页处理：当前链接为“全量列表”，若目标页面分页（如 /meps/it/full-list/1），需循环抓取并 rbind() 合并。
本方案以最小依赖、最大可读性完成从原始 HTML 到规整表格的转化，是政务公开数据采集的典型范式。掌握此模式后，可快速适配类似“三字段并列展示”的政府名录类网站。
