Question

我正在处理几个我要比较的XML文件，每个文件包含大约200-300个不同的'xml：ids'。假设有三个文件包含以下xml：ids：

file1.xml

<?xml version="1.0" encoding="UTF-8"?>
<div>
<p xml:id= "F23_1b">1</p>
<p xml:id= "F54_34a">3</p>
</div>

file2.xml

<?xml version="1.0" encoding="UTF-8"?>
<div>
<p xml:id= "F23_1b">7</p>
<p xml:id= "F54_34a">8</p>
<p xml:id= "F54_63d">12</p>
</div>

file3.xml

<?xml version="1.0" encoding="UTF-8"?>
<div>
<p xml:id= "F143_32a">5</p>
<p xml:id= "F175_23c">6</p>
<p xml:id= "F95_1a">14</p>
<p xml:id= "F89_9d">15</p>
</div>

现在我的目标是比较这些不同的文件，包括a）现在的xml：ids和b）它们各自的值（见下表）。我首先使用R的XML包/ XPath为每个文件创建一个列表：

file1 <- xmlTreeParse("file1.xml", useInternalNodes = T)
a <- xpathSApply(file1, "//*[@xml:id]", xmlGetAttr, "xml:id")

file2 <- xmlTreeParse("file1.xml", useInternalNodes = T)
a <- xpathSApply(file1, "//*[@xml:id]", xmlGetAttr, "xml:id")

file3 <- xmlTreeParse("file1.xml", useInternalNodes = T)
a <- xpathSApply(file1, "//*[@xml:id]", xmlGetAttr, "xml:id")

现在，在第二步中，我想将结果合并到一个数据框中，但这是我的主要问题 - 这些列表的长度不同。起初我以为我可能只是寻找最长的列表并为xml添加'空值'：存在于其中的ID但不在较短的列表中但是我很快意识到这种方法会忽略只存在于较短的清单。

最后，我希望有一个可以轻松导出的数据框（到.csv），看起来类似于这个表：

|------------||-----------||-----------||-----------|
|  xml:ids   ||   file1   ||   file2   ||   file3   |
|------------||-----------||-----------||-----------|
|------------||-----------||-----------||-----------|
|  F23_1b    ||     1     ||     7     ||    NULL   |
|------------||-----------||-----------||-----------|
|  F54_34a   ||     3     ||     8     ||    NULL   |
|------------||-----------||-----------||-----------|
|  F54_63d   ||   NULL    ||    12     ||    NULL   |
|------------||-----------||-----------||-----------|
|  F143_32a  ||   NULL    ||    NULL   ||     5     |
|------------||-----------||-----------||-----------|
|  F175_23c  ||   NULL    ||    NULL   ||     6     |
|------------||-----------||-----------||-----------|
|  F95_1a    ||   NULL    ||    NULL   ||     14    |
|------------||-----------||-----------||-----------|
|  F89_9d    ||   NULL    ||    NULL   ||     15    |
|------------||-----------||-----------||-----------|

您对我的问题有任何建议吗？

Answer 1

如果您使用xml2和purrr，它可能看起来像

library(tidyverse)
library(xml2) 


xml_data <- sprintf('file%s.xml', 1:3) %>%    # make filepaths
    map_df(~read_xml(.x) %>%    # iterate over filenames; read xml
               xml_find_all('//p') %>%    # select p nodes
               map_df(function(.y) {   # iterate over nodes and combine to data frame of...
                   list(file = basename(.x),    # the filename, 
                        id = xml_attr(.y, 'id'),    # the id attribute, and
                        value = as.integer(xml_text(.y)))    # the node value.
               }))

xml_data
#> # A tibble: 9 x 3
#>   file      id       value
#>   <chr>     <chr>    <int>
#> 1 file1.xml F23_1b       1
#> 2 file1.xml F54_34a      3
#> 3 file2.xml F23_1b       7
#> 4 file2.xml F54_34a      8
#> 5 file2.xml F54_63d     12
#> 6 file3.xml F143_32a     5
#> 7 file3.xml F175_23c     6
#> 8 file3.xml F95_1a      14
#> 9 file3.xml F89_9d      15

如果你真的想把它传播到更广泛的形式，从这里它很典型：

xml_data %>% 
    mutate(file = sub('.xml$', '', file)) %>% 
    spread(file, value)
#> # A tibble: 7 x 4
#>   id       file1 file2 file3
#>   <chr>    <int> <int> <int>
#> 1 F143_32a    NA    NA     5
#> 2 F175_23c    NA    NA     6
#> 3 F23_1b       1     7    NA
#> 4 F54_34a      3     8    NA
#> 5 F54_63d     NA    12    NA
#> 6 F89_9d      NA    NA    15
#> 7 F95_1a      NA    NA    14

Answer 2

以下是使用xml2和dplyr::full_join的解决方案：

 # Read XML files
 library(xml2);
 fn <- paste0("file", 1:3, ".xml");
 files <- lapply(fn, read_xml);

 # Extract node attributes and values, store as data.frame
 lst <- lapply(files, function(x)
     cbind.data.frame(
         id = xml_attr(xml_children(x), "id"),
         val = as.numeric(xml_text(xml_children(x))),
         stringsAsFactors = F))

 # Outer full join on all data.frame's in list
 df <- Reduce(function(x, y) dplyr::full_join(x, y, by = "id"), lst)
 colnames(df)[2:ncol(df)] <- fn;
 df;
 #        id file1.xml file2.xml file3.xml
 #1   F23_1b         1         7        NA
 #2  F54_34a         3         8        NA
 #3  F54_63d        NA        12        NA
 #4 F143_32a        NA        NA         5
 #5 F175_23c        NA        NA         6
 #6   F95_1a        NA        NA        14
 #7   F89_9d        NA        NA        15

说明：使用xml2::read_xml读取XML文件;分别使用xml_attr和xml_text提取节点属性和值，并将其存储为list的{{1}};在data.frame的{{1}}上执行完全外部联接。

Answer 3

我不知道您在选择技术方面有多灵活，但这是XSLT 3.0中的解决方案

<xsl:variable name="doc1" select="doc('file1.xml')"/>
<xsl:variable name="doc2" select="doc('file2.xml')"/>
<xsl:variable name="doc3" select="doc('file3.xml')"/>
<xsl:merge>
  <xsl:merge-source for-each-source="($doc1, $doc2, doc3)" select=".//p[@xml:id]">
    <xsl:merge-key select="@xml:id" sort-before-merge="yes"/>
  </xsl:merge-source>
  <xsl:merge-action>
    <tr>
      <td>{current-merge-key()}</td>
      <xsl:for-each select="($doc1, $doc2, doc3)">
         <td>{(current-merge-group()[(/) is current()], 'NA')[1]}</td>
      </xsl:for-each>
    </tr>
  </xsl:merge-action>
</xsl:merge>

未经测试。轻松推广到N个输入文档。

R：组合或比较几个不同长度的列表

3 个答案: