1

我有一个嵌套的 xml 数据集，如下所示，我正在尝试使用xml2和tidyverse包进行解析。有三个儿童信封。我想获取每个标签中的子标签和子标签的所有文本，<card-id>并使用易于识别的分隔符将它们折叠起来，或者从中制作一个 data.frames 列表。<value><envelope>;;;

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as_list在孩子身上使用，然后xml_find_all用来创建一个 data.frames 列表，但是as_list+lapply不只攻击一个envelope，而是在每次通过时都会攻击它们（我很高兴知道我错过了什么这个功能也是）。

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()
        )
    })
4

1 回答 1

2

不完全漂亮，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中来获取 data.frames 列表，然后循环以从每个 card-id 和 value 节点获取文本。

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%>% ifelse(. == "", NA, .)在每个之后添加xml_text

于 2017-01-26T03:06:43.143 回答