xml

Question

我有一个嵌套的 xml 数据集，如下所示，我正在尝试使用 xml2 和 进行解析tidyverse 包。共有三个 child 个信封。我想在每个 <envelope> 标签中获取 <card-id> 和 <value> subsub child 标签的所有文本，并用易于识别的分隔符折叠它们，例如 ;;; 或从中列出 data.frames 个。

MWE：这是数据：

library(xml2)
library(tidyverse)

myxml <- read_xml('
<inside>
 <envelope>
     <card-entry>
       <card-id type="integer">605380</card-id>
       <value>coke</value>
       <random></random>
     </card-entry>
     <card-entry>
       <card-id type="integer">610954</card-id>
       <value>pizza</value>
       <random>false</random>
     </card-entry>  
     <card-entry>
       <card-id type="integer">605381</card-id>
       <value>surprise</value>
     </card-entry>
     <card-entry>
       <card-id type="integer">610958</card-id>
       <value>joke</value>
       <random>true</random>
     </card-entry> 
 </envelope>
 <envelope>
     <card-entry>
       <card-id type="integer">605381</card-id>
       <value>charlie horse</value>
     </card-entry>
     <card-entry>
       <card-id type="integer">605380</card-id>
       <value>rug bug</value>
     </card-entry>
     <card-entry>
       <card-id type="integer">610954</card-id>
       <value>mario cart</value>
     </card-entry>  
 </envelope>
 <envelope>
     <card-entry>
       <card-id type="integer">605377</card-id>
       <value>trogdor</value>
     </card-entry>
     <card-entry>
       <card-id type="integer"></card-id>
       <value>jorb</value>
     </card-entry>
     <card-entry>
       <card-id type="integer">605333</card-id>
       <value></value>
     </card-entry>    
 </envelope>
</inside>
'
)

期望的输出：

c(
    "605380;;;coke;;;610954;;;pizza;;;605381;;;surprise;;;610958;;;joke",
    "605381;;;charlie horse;;;605380;;;rug bug;;;610954;;;mario cart",
    "605377;;;trogdor;;;;;;jorb;;;605333;;;"
)

或者像这样的嵌套列表一样好（也许更好）：

[[1]]
  card_id    value
1  605380     coke
2  610954    pizza
3  605381 surprise
4  610958     joke

[[2]]
  card_id         value
1  605381 charlie horse
2  605380       rug bug
3  610954    mario cart

[[3]]
  card_id   value
1  605377 trogdor
2    <NA>    jorb
3  605333    <NA>

我想我可以在 child 上使用 as_list，然后使用 xml_find_all 创建 data.frames 的列表，但是 as_list + lapply 不只攻击一个 envelope 而是在每次通过时都攻击它们（我很想知道我也缺少这个功能）。

我试过的

myxml %>%
    xml_find_all('//envelope') %>%
    as_list() %>%
    lapply(function(x){
        data_frame(
            card_id = x %>% xml_find_all('//card-id') %>% xml_text(),
            value = x %>% xml_find_all('//value') %>% xml_text()
        )
    })

Answer 1

不太漂亮，但是您可以通过首先将每个信封的所有子项放入单独的列表元素，然后循环获取每个 card-id 的文本来获取 data.frames 的列表，值节点。

myxml %>%
    xml_find_all('//envelope') %>%
    lapply(xml_children) %>%
    lapply(function(x) data.frame(
        card_id = xml_child(x, 'card-id') %>% xml_text,
        value = xml_child(x, 'value') %>% xml_text
        )
    )

#[[1]]
#  card_id    value
#1  605380     coke
#2  610954    pizza
#3  605381 surprise
#4  610958     joke
#
#[[2]]
#  card_id         value
#1  605381 charlie horse
#2  605380       rug bug
#3  610954    mario cart
#
#[[3]]
#  card_id   value
#1  605377 trogdor
#2            jorb
#3  605333

对于 NA 而不是 ""，您可以在每个 xml_text

之后添加 %>% ifelse(. == "", NA, .)

xml - 抓住 subsubchild 并在 child 内折叠，即使元素文本缺失

xml - grab subsubchild and collapse within child even when element text missing

r

xml2

MWE：这是数据：

期望的输出：

我试过的