使用父节点属性将 XML 加载到 R 中的 Dataframe答案

【问题标题】：Load XML to Dataframe in R with parent node attributes使用父节点属性将 XML 加载到 R 中的 Dataframe
【发布时间】：2015-03-03 07:35:26
【问题描述】：

我有一个 XML 文件（TEI 编码的播放），我想将它处理成 R 中的 data.frame，其中 data.frame 的每一行都包含播放的一行、行号、扬声器该行、场景编号和场景类型。 XML 文件的正文如下所示（但更长）：

<text>
<body>
<div1 type="scene" n="1">
    <sp who="fau">
        <l n="30">Settle thy studies, Faustus, and begin</l>
        <l n="31">To sound the depth of that thou wilt profess;</l>
        <l n="32">Having commenced, be a divine in show,</l>
    </sp>
    <sp who="eang">
        <l n="105">Go forward, Faustus, in that famous art,</l>
    </sp>
</div1>
<div1 type="scene" n="2">
    <sp who="sch1">
        <l n="NA">I wonder what's become of Faustus, that was wont to make our schools ring with sic probo.</l>
    </sp>
    <sp who="sch2">
        <l n="NA">That shall we know, for see here comes his boy.</l>
    </sp>
    <sp who="sch1">
        <l n="NA">How now sirrah, where's thy master?</l>
    </sp>
    <sp who="wag">
        <l n="NA">God in heaven knows.</l>
    </sp>   
</div1>
</body>
</text>

这个问题似乎与here 和here 提出的问题相似，但我的XML 文件的结构略有不同，因此两者都没有给我一个可行的解决方案。我已经做到了：

library(XML)
doc <- xmlTreeParse("data/faustus_sample.xml", useInternalNodes=TRUE)

bodyToDF <- function(x){
  scenenum <- xmlGetAttr(x, "n")
  scenetype <- xmlGetAttr(x, "type")
  attributes <- sapply(xmlChildren(x, omitNodeTypes = "XMLInternalTextNode"), xmlAttrs)
  linecontent <- sapply(xmlChildren(x), xmlValue)
  data.frame(scenenum = scenenum, scenetype = scenetype, attributes = attributes, linecontent = linecontent, stringsAsFactors = FALSE)
}

res <- xpathApply(doc, '//div1', bodyToDF)
temp.df <- do.call(rbind, res)

这会返回一个完整的“场景编号”、“场景类型”和“扬声器”的 data.frame，但我不知道如何将其分解为每一行（并获取相关的行号）。

我尝试将文件作为列表导入（通过 xmlToList），但这给了我一个非常混乱的列表列表，如果我尝试使用 for 循环访问不同的列表，也会导致许多不同的错误元素（可怕的想法，我知道！）。

理想情况下，我正在寻找一种解决方案，该解决方案既可以处理完整的文件，又可以处理其他类似结构的 XML 文件。

我刚刚开始使用 R，完全不知所措。非常感谢您提供的任何帮助。

感谢您的帮助！

编辑：完整 xml 文件的副本可用here。

【问题讨论】：

标签： xml r dataframe tei

【解决方案1】：

为 sp 元素添加了额外的 xpathApply：

bodyToDF <- function(x){
  scenenum <- xmlGetAttr(x, "n")
  scenetype <- xmlGetAttr(x, "type")
  sp <- xpathApply(x, 'sp', function(sp) {
    who <- xmlGetAttr(sp, "who")
    if(is.null(who))
      who <- NA
    line_num <- xpathSApply(sp, 'l', function(l) { xmlGetAttr(l,"n")})
    linecontent = xpathSApply(sp, 'l', function(l) { xmlValue(l,"n")})
    data.frame( scenenum, scenetype, who, line_num, linecontent)
  })
  do.call(rbind, sp)  
}

res <- xpathApply(doc, '//div1', bodyToDF)
temp.df <- do.call(rbind, res)

前 4 列：

# > temp.df[,1:4]
#   scenenum scenetype  who line_num
# 1        1     scene  fau       30
# 2        1     scene  fau       31
# 3        1     scene  fau       32
# 4        1     scene eang      105
# 5        2     scene sch1       NA
# 6        2     scene sch2       NA
# 7        2     scene sch1       NA
# 8        2     scene  wag       NA

【讨论】：

事实证明这个解决方案非常适用于示例 xml，但会中断整个文档。据我所知，两者的格式相同。在运行res <- xpathApply(doc, '//div1', bodyToDF) 行时，我收到错误"Error in data.frame(scenenum = xmlGetAttr(x, "n"), scenetype = xmlGetAttr(x, : arguments imply differing number of rows: 1, 0 "。
在完整文档中有一行没有who 属性。我更新了处理这种情况的答案（is.null(who)）。
是的，刚刚抓到了。仍然是一个 R 菜鸟，但我会掌握这个的。非常感谢您的帮助！