有效地将 XML 转换为数据框

Efficiently transform XML to data frame

我需要将一些 vanilla xml 转换为数据框。 XML 是矩形数据的简单表示(参见下面的示例)。我可以在 R 中使用 xml2 和几个 for 循环非常直接地实现这一点。但是,我确信有很多 better/faster 方式(咕噜咕噜?)。我最终将使用的 XML 非常大,因此首选更有效的方法。如果社区提供任何建议,我将不胜感激。

library(tidyverse)
library(xml2)

demo_xml <- 
"<DEMO>
  <EPISODE>
    <item1>A</item1>
    <item2>1</item2>
  </EPISODE>
  <EPISODE>
    <item1>B</item1>
    <item2>2</item2>
  </EPISODE>
</DEMO>"


dx <- read_xml(demo_xml)

episodes <- xml_find_all(dx, xpath = "//EPISODE")
dx_names <- xml_name(xml_children(episodes[1]))

df <- data.frame()

for(i in seq_along(episodes)) {
  for(j in seq_along(dx_names)) {
    df[i, j] <- xml_text(xml_find_all(episodes[i], xpath = dx_names[j]))
  }
}

names(df) <- dx_names
df
#>   item1 item2
#> 1     A     1
#> 2     B     2

reprex package (v0.3.0)

于 2019-09-19 创建

提前致谢。

这可能是不使用 for 循环的选项,

episodes <- xml_find_all(dx, xpath = "//EPISODE") %>% xml_attr("item1")
dx_names <- xml_name(xml_children(episodes[1]))

# You can get all values between the tags by xml_text()
values <- xml_children(episodes) %>% xml_text()


as.data.frame(matrix(values,
            ncol=length(dx_names),
            dimnames =list(seq(dx_names),dx_names),byrow=TRUE))

给予,

  item1 item2
1     A     1
2     B     2

请注意,您可能需要通过 as.numeric()Item2 列更改为数字列,因为它已被此解决方案指定为因素。

这是一个通用解决方案,它为每个父节点处理不同数量的不同子节点。每个Episode节点可能有不同的子节点。
该策略解析识别每个子节点的名称和值的子节点。然后它将此列表转换为更长的样式数据框,然后将其重塑为您想要的更宽的样式:

library(tidyr)
library(xml2)

demo_xml <- 
  "<DEMO>
  <EPISODE>
    <item1>A</item1>
    <item2>1</item2>
  </EPISODE>
  <EPISODE>
    <item1>B</item1>
    <item2>2</item2>
  </EPISODE>
</DEMO>"

dx <- read_xml(demo_xml)

#find all episodes
episodes <- xml_find_all(dx, xpath = "//EPISODE")
#extract the node names and values from all of the episodes
nodenames<-xml_name(xml_children(episodes))
contents<-trimws(xml_text(xml_children(episodes)))

#Idenitify the number of subnodes under each episodes for labeling
IDlist<-rep(1:length(episodes), sapply(episodes, length))

#make a long dataframe
df<-data.frame(episodes=IDlist, nodenames, contents, stringsAsFactors = FALSE)

#make the dataframe wide, Remove unused blank nodes:
answer <- spread(df[df$contents!="",], nodenames, contents)

#tidyr 1.0.0 version
#answer <- pivot_wider(df, names_from = nodenames, values_from = contents)


# A tibble: 2 x 3
  episodes item1 item2
     <int> <chr> <chr>
1        1 A     1    
2        2 B     2