Question

我使用R中的xml包来解析XML文档（下面的代码段）。

xml片段：

  <notes>
    <body xml="http://www.books.xhtml">
      <p> System: Mighty</p>
      <p>Confidence Level: </p>
    </body>
  </notes>

我想选择System：Mighty部分，如果可能的话，甚至只选择Mighty部分。到目前为止我的代码：

data <- xmlParse("abc.xml")
out_p <- getNodeSet(data, "//*[name()='p']", fun=xmlToList)

这导致所有p元素的长列表。系统和置信水平包括在内。我试图编辑我的代码以仅选择系统元素，但没有成功：

out_p <- getNodeSet(data, "//*p[attribute()[contains.,"SYSTEM"]", fun=xmlToList) ## doesn't work

排除置信度级元素的正确方法是什么？在此先感谢!!

Answer 1

使用xml2：

library(xml2)
library(magrittr)

xml <- ' <notes>
    <body xml="http://www.books.xhtml">
      <p> System: Mighty</p>
      <p>Confidence Level: </p>
    </body>
  </notes>'

xml %>% read_xml() %>% 
    xml_find_all('//p') %>%    # select p elements
    xml_text() %>%    # get node text
    grep('System:', ., value = TRUE) %>%    # select only matching text
    sub(' System: ', '', .)    # clean text
#> [1] "Mighty"

你可以在xml_find_all中使用更强大的XPath做更多事情，但这种方法很容易编写和阅读。如果这实际上是HTML，你可以使用rvest而不是xml2;两者都很好。

在R中解析具有相同名称的特定XML元素

1 个答案: