Question

抱歉，编辑的还有一点点细微差别！在我提供的示例中，我已经简化了我的原始文件，所以尽管你的解决方案工作得非常漂亮，但是如果在第二行中有一些额外的东西怎么办？那些似乎抛弃了xml_find_all（页面，＆＃34; //事件＆＃34;），因为现在它无法找到该节点。我怎样才能让脚本忽略额外内容（或者可能是合适的搜索词包含哪些内容？）谢谢!!!

我刚开始使用xml，我有一些语音xml文件，我试图在R中压缩成数据帧，但我无法使用某些文件来读取它们。 XML包中的标准函数。我认为问题是plist格式，因为我尝试应用的其他一些答案都不适用于这些文件。

我的文件如下所示（*****第二行编辑）：

<?xml version="1.0" encoding="us-ascii"?>
<event id="111" extraInfo="CivilwarSpeeches" xmlns = "someurl>
    <meta>
            <title>Gettysburg</title>
            <date>1863-11-19</date>
            <organizations>
                    <org>Union</org>
            </organizations>
            <people>
                    <person id="0" type="President">Honest Abe</person>
            </people>
    </meta>
    <body>
            <section name="Address">
                    <speaker id="0">
                            <plist>
                                    <p>Four score and seven years ago</p>
                            </plist>
                    </speaker>
            </section>
    </body>
</event>

我想最终得到一个数据框，它链接了两个部分中的一些信息，例如

部分|扬声器|扬声器类型|演讲者姓名|正文

地址| 0 |总统|诚实的安倍|四分七年前

我发现这个答案相当有用，但它仍然无法解压缩我的数据。 Parsing XML file with known structure and repeating elements

任何帮助将不胜感激！

Answer 1

我更喜欢在xml库上使用xml2库这是一个非常直接的问题。读入数据，解析出所需的属性和节点，然后组装成数据框。

library(xml2)
page<-read_xml('<?xml version="1.0" encoding="us-ascii"?>
<event id="111">
         <meta>
         <title>Gettysburg</title>
         <date>1863-11-19</date>
         <organizations>
         <org>Union</org>
         </organizations>
         <people>
         <person id="0" type="President">Honest Abe</person>
         </people>
         </meta>
         <body>
         <section name="Address">
         <speaker id="0">
         <plist>
         <p>Four score and seven years ago</p>
         </plist>     </speaker>     </section>     </body> </event>')


#get the nodes
nodes<-xml_find_all(page, "//event")
#parse the requested information out of each node
Section<-sapply(nodes, function(x) {xml_attr(xml_find_first(x, ".//section"), "name")})  
Speaker<-sapply(nodes, function(x) {xml_attr(xml_find_first(x, ".//person"), "id")})  
SpeakerType<-sapply(nodes, function(x) {xml_attr(xml_find_first(x, ".//person"), "type")})  
SpeakerName<-sapply(nodes, function(x) {xml_text(xml_find_first(x, ".//person"))})  
Body<-sapply(nodes, function(x) {xml_text(xml_find_first(x, ".//plist/p"))})   

#put together into a data.frame
answer<-data.frame(Section, Speaker, SpeakerType, SpeakerName, Body)

代码设置为解析一系列“事件”节点。为清楚起见，我使用5个单独的sapply函数来单独解析每个请求的信息字段，然后组合成最终的数据帧。对此的部分理由是在“事件”节点缺少一些所请求的信息的情况下保持对齐。这可以简化，但如果您的数据集很小，则不会对性能产生太大影响。

R解析plist XML

1 个答案: