在R中解析不规则XML

Question

例如，如果我在R中加载了xml：

library(XML)
top <- newXMLNode("top")
tvp <- newXMLNode("TVP", parent = top)
time <- newXMLNode("time", "2012-01-01", parent = tvp)
value <- newXMLNode("value", "123", parent = tvp)
comment <- newXMLNode("comment",parent = tvp)
qualifer <-newXMLNode("qualifier", attrs = c(y = 'abc'), parent = comment)
commentText <-newXMLNode("info", attrs = c(y = 'something'), parent = comment)
tvp <- newXMLNode("TVP", parent = top)
time <- newXMLNode("time", "2012-01-02", parent = tvp)
value <- newXMLNode("value", "456", parent = tvp)
tvp <- newXMLNode("TVP", parent = top)
time <- newXMLNode("time", "2012-01-03", parent = tvp)
value <- newXMLNode("value", "789", parent = tvp)
comment <- newXMLNode("comment",parent = tvp)
newXMLNode("qualifier", attrs = c(y = 'efg'), parent = comment)
top

由此产生的XML：

<top>
  <TVP>
    <time>2012-01-01</time>
    <value>123</value>
    <comment>
      <qualifier y="abc"/>
      <info y="something"/>
    </comment>
  </TVP>
  <TVP>
    <time>2012-01-02</time>
    <value>456</value>
  </TVP>
  <TVP>
    <time>2012-01-03</time>
    <value>789</value>
    <comment>
      <qualifier y="efg"/>
    </comment>
  </TVP>
</top> 

我怎样才能得到正确的数据。包括限定符和信息属性吗？

这几乎是可行的，但并不完全是这样：

DF <- xmlToDataFrame(top,stringsAsFactors=FALSE)

结果如下：

        time value comment
1 2012-01-01   123        
2 2012-01-02   456    <NA>
3 2012-01-03   789   

我怎样才能得到：

我真正需要的是一种获取注释的子节点属性的方法：

        time value qualifer      info
1 2012-01-01   123      abc something
2 2012-01-02   456                   
3 2012-01-03   789      efg   

Answer 1

试试看以下几点。对于每个TVP，使用.//*[not(*)] xpath表达式查找所有子类叶，其中.表示从当前点开始，即在当前TVP节点，而//*意味着遍历所有后代，但[not(*)]将其限制在那些没有子节点的子类中。然后创建一个值列表(如果没有值，则创建属性)，每个TVP创建一个列表组件。在最后一行中，它将每个列表组件转换为一个矩阵，并使用plyr的rbind.fill.matrix将矩阵放在一起：

xp <- xpathApply(top, "/top/TVP", xpathSApply, ".//*[not(*)]", function(x)
       setNames(ifelse(nzchar(xmlValue(x)), xmlValue(x), xmlAttrs(x)), xmlName(x)))
library(plyr)
do.call(rbind.fill.matrix, lapply(xp, t))

顺便说一句，在我的Windows系统(没有RStudio)上，您评论中的代码也崩溃了。

更新:小范围缩短解决方案

Answer 2

尝试以下代码：

require(plyr) ### provides rbind.fill
getDataframe <- function(xml){
 out2 <- xmlSApply(xml,function(x){
 out <- xmlSApply(x, function(y){
  if(length(xmlChildren(y)) > 1){xmlSApply(y,xmlAttrs)
   }else{xmlValue(y)}})
  as.data.frame(t(unlist(out))) ## rbind.fill likes dataframes
  })
  return(do.call(rbind.fill,out2))
}
getDataframe(top)

这里的想法是：

• 检查xml组件是否有子组件；然后使用xmlAttrs
• 如果没有孩子使用xmlValue
• 这给了我们一个列表，但是我们需要一个data.frame
• 由于缺少一些值，我们需要来自plyr包的rbind.fill。
• 最后，我们需要一些智能转换(as.data.frame)来使rbind.fill快乐。