R 中的复杂 XML 解析答案

【问题标题】：Complex XML Parsing in RR 中的复杂 XML 解析
【发布时间】：2018-08-24 18:14:15
【问题描述】：

我正在尝试解析嵌套的 xml 文件。

<GENERIC_ROUGHDRAFT>
     <HEADER compName="California" dateCreated="2018-08-07">
      <COMP_INFO>
    </HEADER>
     <COVERSHEET>
      <ESTIMATE_INFO eName="MATTHEW_ANDERSON" iName="Matthew Anderson" priceList="MAY18" laborEff="Restoration/Service/Remodel" claimNumber="01" policyNumber="00000000000" typeOfLoss="Hail" deprNonMat="1" deprOandP="1" deprTaxes="1" onsite="1" recipientsXNAddress="California_BD" carrierId="111111" estimateType="Structural"/>
      <ADDRESSES>
       <ADDRESS type="Property" street="123 Street Cr" city="Idaho Falls" state="ID" zip="00000" primary="1"/>
       <ADDRESS type="Home" street="123 Street Cr" city="City" state="ID" zip="00000"/>
      </ADDRESSES>
  </COVERSHEET>
</GENERIC_ROUGHDRAFT>

我正在尝试提取 iName 和价目表等信息。

对于我的最终产品，我希望有一个数据框，其中信息看起来像一行，仅包含以下内容：

compName  |  dataCreated  | iName  |  Type  | Street|  | State

没有太多关于如何在一个段内提取多个数据的文档。

有什么建议吗？

【问题讨论】：

标签： r xml parsing

【解决方案1】：

XML 文件可能有很多嵌套，这使得它们难以直接转换为 data.frame。我认为提取这些文件的最简单方法是使用xslt 将它们重塑为更表格的形式。

使用您的样本数据

library(xml2)
xml <- read_xml('<GENERIC_ROUGHDRAFT>
     <HEADER compName="California" dateCreated="2018-08-07">
      <COMP_INFO/>
    </HEADER>
     <COVERSHEET>
      <ESTIMATE_INFO eName="MATTHEW_ANDERSON" iName="Matthew Anderson" priceList="MAY18" laborEff="Restoration/Service/Remodel" claimNumber="01" policyNumber="00000000000" typeOfLoss="Hail" deprNonMat="1" deprOandP="1" deprTaxes="1" onsite="1" recipientsXNAddress="California_BD" carrierId="111111" estimateType="Structural"/>
      <ADDRESSES>
       <ADDRESS type="Property" street="123 Street Cr" city="Idaho Falls" state="ID" zip="00000" primary="1"/>
       <ADDRESS type="Home" street="123 Street Cr" city="City" state="ID" zip="00000"/>
      </ADDRESSES>
  </COVERSHEET>
</GENERIC_ROUGHDRAFT>')

我们可以定义一个xslt来将数据转换成一个html表格

xsl <- read_xml('<?xml version="1.0" encoding="UTF-8"?>
  <xsl:stylesheet version="1.0"
  xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
    <xsl:template match="/GENERIC_ROUGHDRAFT">
    <html>
    <table>
    <tr>
    <td>compName</td><td>dateCreated</td>
    <td>iName</td><td>type</td><td>street</td><td>state</td>
    </tr>
    <xsl:for-each select="//ADDRESS">
    <tr>
    <td><xsl:value-of select="../../../HEADER/@compName"/></td>
    <td><xsl:value-of select="../../../HEADER/@dateCreated"/></td>
    <td><xsl:value-of select="../../ESTIMATE_INFO/@iName"/></td>
    <td><xsl:value-of select="@type"/></td>
    <td><xsl:value-of select="@street"/></td>
    <td><xsl:value-of select="@state"/></td>
    </tr>
    </xsl:for-each>
    </table>
    </html>
    </xsl:template>
    </xsl:stylesheet>')

我把它做成了一个 HTML 表格，这样我就可以使用 rvest::html_table 把它变成一个 data.frame。应该是这样的

library(xslt)
library(rvest)
data <- xml_xslt(xml, xsl) %>% html_table(header = TRUE)  %>% .[[1]]
#     compName dateCreated            iName     type        street state
# 1 California  2018-08-07 Matthew Anderson Property 123 Street Cr    ID
# 2 California  2018-08-07 Matthew Anderson     Home 123 Street Cr    ID

【讨论】：

谢谢，我也在找这样的东西。在您的代码中，您忘记了library(xslt)。谢谢分享。
@Stephan 谢谢。更新了缺失的库。
未来的读者，XSLT 是一种特殊用途的声明性语言（与 XPath 同级），可以在 R 之外使用。
感谢您的回复。我尝试运行您提供的内容，但遇到 xml_xslt not found 错误。
另外，你会推荐使用python而不是R吗？