Question

我是一名XML新手，试图抓取并解析以下RSS提要http://xml.newsbox.ch/corporate_web/che/dufry/digest_en_year_2015_atom.xml。在此基础上，我遇到了两个问题：

1）我想在解析的文档上使用xmlChildren提取单个新闻报道的节点，如下所示：

library(RCurl)
library(XML)
xml.url <- "http://xml.newsbox.ch/corporate_web/che/dufry/digest_en_year_2015_atom.xml"
script <- getURL(xml.url)
doc <- xmlParse(script)
doc.children = xpathApply(doc,"//entry",xmlChildren)

虽然此过程适用于其他各个Feed，其中各个新闻版本与节点<items>一起存储，但在节点<entry>的特定情况下它不起作用，因为它返回一个空列表。我被困在这里，因为我无法弄清楚我在XML文档的结构中错过了什么。

2）更一般地说：当XML结构包含节点<item>或节点<entry>中的各个新闻报道而不事先知道特定结构时，我是否可以实现此方法来处理这两种情况？

非常感谢任何帮助，谢谢。

Answer 1

您需要使用命名空间。以下是XML和xml2选项：

# XML
ns <- xmlNamespaceDefinitions(doc, simplify=TRUE)
names(ns)[1] <- "x"
nodes <- getNodeSet(doc, "//x:entry", namespaces=ns)

# xml2
library(xml2)

XML_URL <- "http://xml.newsbox.ch/corporate_web/che/dufry/digest_en_year_2015_atom.xml"
doc <- read_xml(XML_URL)
ns <- xml_ns_rename(xml_ns(doc), d1="x")
xml_find_all(doc, "//x:entry", ns=ns)

使用boolean() XPath operator查看能够处理多种情况（即不同的Feed格式）。

Answer 2

这可能无法完全回答您的问题，但您是否考虑使用像tm.plugin.webmining这样的现成软件包？

如果您不想使用该软件包，您仍然可以检查代码并查看它们如何解析数据。

使用R中的可变XML结构解析RSS源

2 个答案: