R：解析大型非结构化 xml 文件答案

【问题标题】：R: parse large unstructured xml fileR：解析大型非结构化 xml 文件
【发布时间】：2018-10-13 00:50:11
【问题描述】：

我有一个非常复杂的 xml 文件需要在 R 中解析并以数据框格式呈现。结构可能类似于以下示例。节点不平行。

<Root>
  <A>
   <info1>a</info1>
     <child>
       <info2>b</info2>
       <info3>c</info3>
       <info4>d</info4>
     </child>
   <info5>e</info5>
  </A>
  <B>
   <info6>f</info6>
   <info7>g</info7>
  </B>
</Root>

我想出了一些代码来解析文件：

doc <- xmlParse(file="sample.xml", useInternal = TRUE)
rootnode <- xmlRoot(doc)
df1<-xmlToDataFrame(nodes=getNodeSet(rootnode, "//Root/A"))
df2<-xmlToDataFrame(nodes=getNodeSet(rootnode, "//Root/B"))
Final<-cbind.data.frame(df1,df2, all=TRUE)

返回结果为：（所有的值表单节点都收缩在一起）

info1 child info5 info6 info7
  a    bcd    e     f     g

但是，我想要的理想结果是：

info1 info2 info3 info4 info5 info6 info7
  a     b     c     d     e     f     g

由于xml文件中有大量节点，类似上面的情况，手动操作dataframe是不明智的。
我也尝试将路径语句改为“//Root/A/child”，那么节点A和节点B下的所有值都会丢失。有没有人可以提供这个问题的解决方案。提前致谢。

【问题讨论】：

标签： r xml parsing

【解决方案1】：

可以尝试xmlToList 和unlist 以减少命名矢量格式的xml 数据。可以使用 gsub 更改名称以符合 OP 的期望：

library(XML)
result <- unlist(xmlToList(xmlParse(xml)))
#Change the name to refer only child 
names(result) <- gsub(".*\\.(\\w+)$","\\1", names(result))
result 
# info1 info2 info3 info4 info5 info6 info7 
# "a"   "b"   "c"   "d"   "e"   "f"   "g"

数据：

xml <- "<Root>
  <A>
  <info1>a</info1>
  <child>
  <info2>b</info2>
  <info3>c</info3>
  <info4>d</info4>
  </child>
  <info5>e</info5>
  </A>
  <B>
  <info6>f</info6>
  <info7>g</info7>
  </B>
  </Root>"

【讨论】：

非常感谢MKR，根据你的代码，我直接data.frame到unlist结果。我得到的数据框只有来自所有节点的值，但没有列名（节点名）。你知道我可以以某种方式添加所有节点名称以及所有值吗？非常感谢。

【解决方案2】：

在结构较少的 XML 中，最好执行以下操作：

library(XML)
Final <- data.frame(xmlToList(rootnode), recursive = T, use.names = T)

如果您不喜欢自动设置的列名，您可以简单地执行use.names = F 并设置您自己的名称。

【讨论】：

非常感谢 Kim，我尝试了代码，但是，它给了我错误消息：参数意味着不同的行数：1、0。

【解决方案3】：

使用starts-with()匹配节点

> doc = xmlParse(xml)
> xpathSApply(doc, "//*[starts-with(name(), 'info')]", xmlValue)
[1] "a" "b" "c" "d" "e" "f" "g"
> xpathSApply(doc, "//*[starts-with(name(), 'info')]", xmlName)
[1] "info1" "info2" "info3" "info4" "info5" "info6" "info7"

所以

query <- "//*[starts-with(name(), 'info')]"
setNames(
    xpathSApply(doc, query, xmlValue),
    xpathSApply(doc, query, xmlName)
)

【讨论】：

非常感谢 Martin，xml 文件只是一个示例，我的实际 xml 文件比这更复杂，每个节点名称都与其他节点名称完全不同。因此，使用startswith函数无法完成任务。不过谢谢你的建议。