使用 R 和 xml2 库提取嵌套 XML 数据

Question

我有以下嵌套 XML 文件的信息，我正试图将其转换为 data.frame 以供分析和报告：

<node TEXT="Cost">
  <node TEXT="Scale">
    <node TEXT="1 - [=11=] to 0">
    </node>
    <node TEXT="2 - 0 to 0">
    </node>
    <node TEXT="3 - 0 to 00">
    </node>
    <node TEXT="4 - 00 to 00">
    </node>
    <node TEXT="6 - 00 +">
    </node>
  </node>
  <node TEXT="Weight">
    <node TEXT="1">
    </node>
  </node>
</node>

我能够读取 XML 文件并提取一小部分，如下所示：

file <- '<node TEXT="Cost">
  <node TEXT="Scale">
    <node TEXT="1 - [=12=] to 0">
    </node>
    <node TEXT="2 - 0 to 0">
    </node>
    <node TEXT="3 - 0 to 00">
    </node>
    <node TEXT="4 - 00 to 00">
    </node>
    <node TEXT="6 - 00 +">
    </node>
  </node>
  <node TEXT="Weight">
    <node TEXT="1">
    </node>
  </node>
</node>
'

data <- read_xml(file)

xml_find_all(data,"//node/node[@TEXT = 'Scale']/node/@TEXT")

但我真正需要做的是以 data.frame 的形式获取它，如下所示：

Node1  Node2    Node3
"Cost" "Scale"  "1 - [=13=] to 0"
"Cost" "Scale"  "2 - 0 to 0"
"Cost" "Scale"  "3 - 0 to 00"
"Cost" "Scale"  "4 - 00 to 00"
"Cost" "Scale"  "5 - 00 +"
"Cost" "Weight" "1"

有人能指出我正确的方向吗？

Answer 1

为了重塑 XML，我喜欢使用 XSLT，这是一种通用的 XML 转换语言。 R 包 xslt 允许您使用 R 中的 XSLT 转换 XML 文件。

在这种情况下，您可以将其转换为 HTML table，您可以使用 rvest:

轻松解析它

library(tidyverse)
library(xslt)
library(rvest)
file <- '<node TEXT="Cost">
  <node TEXT="Scale">
    <node TEXT="1 - [=10=] to 0">
    </node>
    <node TEXT="2 - 0 to 0">
    </node>
    <node TEXT="3 - 0 to 00">
    </node>
    <node TEXT="4 - 00 to 00">
    </node>
    <node TEXT="6 - 00 +">
    </node>
  </node>
  <node TEXT="Weight">
    <node TEXT="1">
    </node>
  </node>
</node>
'

data <- read_xml(file)

xslt <- '<?xml version="1.0" encoding="UTF-8"?>
    <xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">

      <xsl:template match="/">
        <html><table><xsl:apply-templates select="node/node/node"/></table></html>
      </xsl:template>

      <xsl:template match="node">
        <tr>
        <td><xsl:value-of select="../../@TEXT"/></td>
        <td><xsl:value-of select="../@TEXT"/></td>
        <td><xsl:value-of select="@TEXT"/></td>
        </tr>
      </xsl:template>

    </xsl:stylesheet>'

style <- read_xml(xslt)
xml_xslt(data, style) %>% 
   rvest::html_table() %>% 
   .[[1]]
#>     X1     X2                 X3
#> 1 Cost  Scale     1 - [=10=] to 0
#> 2 Cost  Scale   2 - 0 to 0
#> 3 Cost  Scale  3 - 0 to 00
#> 4 Cost  Scale 4 - 00 to 00
#> 5 Cost  Scale        6 - 00 +
#> 6 Cost Weight                  1

Answer 2

除了使用 xslt，您还可以只遍历节点列表。这里我们选择所有的三层深度的节点，然后从所有的父节点中提取TEXT属性（最后用dplyr绑定在一起）

library(dplyr)
xml_find_all(doc,"//node/node/node") %>% lapply(function(x) {
    list(
      NODE1=x %>% xml_parent %>% xml_parent %>% xml_attr("TEXT"),
      NODE2=x %>% xml_parent %>% xml_attr("TEXT"),
      NODE3=x %>% xml_attr("TEXT")
    )
}) %>% bind_rows()

使用 R 和 xml2 库提取嵌套 XML 数据

Extracting Nested XML data using R and xml2 library

r

xml2