在 R 中，如何配对来自公共父节点的 XML 节点值？答案

【问题标题】：In R how do I pair XML node values from common parent nodes?在 R 中，如何配对来自公共父节点的 XML 节点值？
【发布时间】：2017-01-18 21:57:20
【问题描述】：

我有以下示例 XML：

<body>
  <div class="row">
    <div class="column">
      <span class="title">Color</span>
    </div>
    <div class="column property">Blue</div>
  </div> 
  <div class="row">
    <div class="column">
      <span class="title">Shape</span>
    </div>
    <div class="column property">Square</div>
  </div> 
</body>

如何使用 R 将每个标题与其属性和输出配对：

Color = Blue
Shape = Square

我尝试了以下脚本，但标题周围有 XML 标记并且缺少属性：

library(XML)

getDetails <- function(id) {
  html <- htmlTreeParse( "exampleXML.html" ,useInternal = TRUE)
  xpathSApply( html , "//div[@class='row']" , function(row) { 
    print( xmlElementsByTagName(row, "span", recursive = TRUE) )
  })
}

getDetails()

也没有运气：

library(XML)      #to install use: install.packages("XML")
library(xml2)     #to install use: install.packages("xml2")
library(magrittr) #to install use: install.packages("magrittr")

extract_info <- function(x){
   title <- x %>% xml_find_first(".//span[@class='title']") %>% xml_text
   property <- x %>% xml_find_first(".//div[@class='column property']") %>% xml_text
   setNames(property, title)
 }

html <- htmlTreeParse( "exampleXML.html" ,useInternal = TRUE)
html %>% xml_find_all("//div[@class='row']") %>% extract_info

UseMethod("xml_find_all") 中的错误： 'xml_find_all' 没有适用于类“c('HTMLInternalDocument', 'HTMLInternalDocument', 'XMLInternalDocument', 'XMLAbstractDocument')”的对象的适用方法

【问题讨论】：

标签： r xml xml-parsing

【解决方案1】：

考虑使用嵌套的xpathSApply()，其中外循环遍历rows 以解析每行的title 和property 的对应值： p>

library(XML)

example_html <- paste0('<body>',
                   '  <div class="row">',
                   '    <div class="column">',
                   '       <span class="title">Color</span>',
                   '    </div>',
                   '    <div class="column property">Blue</div>',
                   '  </div>',
                   '  <div class="row">',
                   '    <div class="column">',
                   '       <span class="title">Shape</span>',
                   '    </div>',
                   '    <div class="column property">Square</div>',
                   '  </div>', 
                   '</body>')

doc <- htmlTreeParse(example_html, useInternal = TRUE)

columns <- xpathSApply(doc, "//div[@class='row']", function(row){
   title <- xpathSApply(row, "div[@class='column']/span", xmlValue)
   property <- xpathSApply(row, "div[@class='column property']", xmlValue)
   setNames(gsub(" ", "", property), gsub(" ", "", title))    # GSUB TO STRIP WHITESPACE
})

columns <- setNames(property, title)
columns
#  Color    Shape 
#  "Blue" "Square"

或者，假设 rows 中的严格一致性而没有丢失子元素或 title 和 property 值的多个相同命名元素，请考虑几个xpathSApply() 来电：

title <- xpathSApply(doc, "//div[@class='column']/span", xmlValue)
property <- xpathSApply(doc, "//div[@class='column property']", xmlValue)

columns <- setNames(property, title)
columns
#   Color    Shape 
#  "Blue" "Square"

【讨论】：

【解决方案2】：

使用xml2，您可以执行以下操作：

library(xml2)     #to install use: install.packages("xml2")
library(magrittr) #to install use: install.packages("magrittr")

extract_info <- function(x){
  title <- x %>% xml_find_first(".//span[@class='title']") %>% xml_text
  property <- x %>% xml_find_first(".//div[@class='column property']") %>% xml_text
  setNames(property, title)
}

html <- read_xml( "exampleXML.html" )
html %>% xml_find_all("//div[@class='row']") %>% extract_info

它为您提供以下命名向量：

   Color    Shape 
  "Blue" "Square"

【讨论】：

我收到了Error: could not find function "%>%"。我尝试从 RStudio > 工具 > 安装包... > xml2 安装包。还在脚本的开头添加了library(xml2)。没有运气。
我在我的问题中添加了“也没有运气：”部分。你能看看它并可能更新你的答案吗？
你自己想通了。对不起，半完整的答案。诀窍是通过read_xml 读取文件，并且（与rvest 不同，xml2 的包装更方便）xml2 默认不导入magrittr::%>%。

【解决方案3】：

如果您的 XML 格式正确（即元素的顺序没有改变），那么您可以这样做：

library(xml2)
library(purrr)

doc <- read_xml(txt)

vals <- xml_text(xml_find_all(doc, ".//*[@class='title' or @class='column property']"))
map_chr(seq(1, length(vals), by=2), ~sprintf("%s = %s", vals[.], vals[.+1])) %>% 
  cat(sep="\n")

也是。

【讨论】：