Question

我正在尝试从以下xml文件解析sample_attributes（最好是全部）。尝试了一些事情，但XML聚集成一个节点：

xml.url <- "http://www.ebi.ac.uk/ena/data/view/ERS445758&display=xml"
xmlfile <- xmlTreeParse(xml.url)
xmltop = xmlRoot(xmlfile)
IBDcat <- xmlSApply(xmltop, function(x) xmlSApply(x, xmlValue))

此处提到的尝试解决方案： How to parse XML to R data frame 和how to create an R data frame from a xml file但是当我尝试类似的东西时：

data <- xmlParse("http://www.ebi.ac.uk/ena/data/view/ERS445758&display=xml")
xml_data <- xmlToList(data)
xmlToDataFrame(nodes=getNodeSet(data,"/SAMPLE_ATTRIBUTE"))[c("age","sex","body site","body-mass index")]

我收到一条错误，说明未选择的列已选中

任何帮助将不胜感激！

Answer 1

这是一个整齐的选择; xml2有一个简单的read_xml函数，它具有关联的as_list函数。 purrr是一个非常方便的操作列表的软件包，当然，如果您愿意，可以在基础R中执行相同的操作。

library(xml2)
library(purrr)

x <- read_xml("http://www.ebi.ac.uk/ena/data/view/ERS445758&display=xml")

x_list <- as_list(x)

x_df <- x_list %>% map('SAMPLE_ATTRIBUTES') %>% flatten() %>% map_df(flatten)

x_df
#> # A tibble: 35 × 3
#>                       TAG                               VALUE UNITS
#>                     <chr>                               <chr> <chr>
#> 1      investigation type                          metagenome  <NA>
#> 2            project name                                BMRP  <NA>
#> 3     experimental factor                          microbiome  <NA>
#> 4             target gene                            16S rRNA  <NA>
#> 5      target subfragment                                V1V2  <NA>
#> 6             pcr primers                            27F-338R  <NA>
#> 7   multiplex identifiers                          TGATACGTCT  <NA>
#> 8       sequencing method                      pyrosequencing  <NA>
#> 9  sequence quality check                            software  <NA>
#> 10          chimera check ChimeraSlayer; Usearch 4.1 database  <NA>
#> # ... with 25 more rows

或者在XPath中进行子集化：

x %>% xml_find_all('//SAMPLE_ATTRIBUTE') %>% map(as_list) %>% map_df(flatten)

返回同样的东西。

Answer 2

至少在第二次尝试时，您只需要使用//选择任何 SAMPLE_ATTRIBUTE节点。然后按标签子集。

doc <- xmlParse(xml.url)
x <- xmlToDataFrame(getNodeSet(doc,"//SAMPLE_ATTRIBUTE"))
## OR 
xmlToDataFrame(doc["//SAMPLE_ATTRIBUTE"])
                  TAG      VALUE UNITS
1  investigation type metagenome  <NA>
2        project name       BMRP  <NA>
3 experimental factor microbiome  <NA>
4         target gene   16S rRNA  <NA>
5  target subfragment       V1V2  <NA>
...


subset(x, TAG %in% c("age","sex","body site","body-mass index") )
               TAG         VALUE UNITS
15             age            28 years
16             sex          male  <NA>
17       body site Sigmoid colon  <NA>
19 body-mass index    16.9550173  <NA>

Answer 3

@allistaire对创造性的方法略有不同：

library(xml2)

doc <- read_xml("http://www.ebi.ac.uk/ena/data/view/ERS445758&display=xml")

xml_find_all(doc, ".//SAMPLE_ATTRIBUTE") %>% 
  map(xml_children) %>% 
  map_df(~as.list(setNames(xml_text(.), xml_name(.))))

R中的xml解析器，具有分层节点，标记和值

3 个答案: