Извлечение вложенных XML-данных с использованием библиотеки R и xml2 - PullRequest
Новая
       13

Извлечение вложенных XML-данных с использованием библиотеки R и xml2

0 голосов
/ 08 ноября 2018

У меня есть следующая информация в виде вложенного XML-файла, который я пытаюсь преобразовать в data.frame для анализа и составления отчетов: 

<node TEXT="Cost">
  <node TEXT="Scale">
    <node TEXT="1 - $0 to $100">
    </node>
    <node TEXT="2 - $100 to $500">
    </node>
    <node TEXT="3 - $500 to $1000">
    </node>
    <node TEXT="4 - $1000 to $5000">
    </node>
    <node TEXT="6 - $5000 +">
    </node>
  </node>
  <node TEXT="Weight">
    <node TEXT="1">
    </node>
  </node>
</node>

Я могу читать в файле XML и извлекать небольшие порции, как показано ниже: 

file <- '<node TEXT="Cost">
  <node TEXT="Scale">
    <node TEXT="1 - $0 to $100">
    </node>
    <node TEXT="2 - $100 to $500">
    </node>
    <node TEXT="3 - $500 to $1000">
    </node>
    <node TEXT="4 - $1000 to $5000">
    </node>
    <node TEXT="6 - $5000 +">
    </node>
  </node>
  <node TEXT="Weight">
    <node TEXT="1">
    </node>
  </node>
</node>
'

data <- read_xml(file)

xml_find_all(data,"//node/node[@TEXT = 'Scale']/node/@TEXT")

Но мне действительно нужно получить его в виде data.frame, как показано ниже: 

Node1  Node2    Node3
"Cost" "Scale"  "1 - $0 to $100"
"Cost" "Scale"  "2 - $100 to $500"
"Cost" "Scale"  "3 - $500 to $1000"
"Cost" "Scale"  "4 - $1000 to $5000"
"Cost" "Scale"  "5 - $5000 +"
"Cost" "Weight" "1"

Может ли кто-нибудь указать мне правильное направление?

Ответы [ 2 ]

0 голосов
/ 08 ноября 2018

Вместо использования xslt вы также можете просто перебрать список узлов. Здесь мы выбираем все три узла глубиной, а затем извлекаем атрибут TEXT из всех родителей (и, наконец, связываем его вместе с dplyr) 

library(dplyr)
xml_find_all(doc,"//node/node/node") %>% lapply(function(x) {
    list(
      NODE1=x %>% xml_parent %>% xml_parent %>% xml_attr("TEXT"),
      NODE2=x %>% xml_parent %>% xml_attr("TEXT"),
      NODE3=x %>% xml_attr("TEXT")
    )
}) %>% bind_rows()
0 голосов
/ 08 ноября 2018

Чтобы изменить форму XML, мне нравится использовать XSLT, который является общим языком преобразования XML. Пакет R xslt позволяет преобразовывать файлы XML с помощью XSLT в R.

В этом случае вы можете превратить его в таблицу HTML, которую можно легко проанализировать с помощью rvest: 

library(tidyverse)
library(xslt)
library(rvest)
file <- '<node TEXT="Cost">
  <node TEXT="Scale">
    <node TEXT="1 - $0 to $100">
    </node>
    <node TEXT="2 - $100 to $500">
    </node>
    <node TEXT="3 - $500 to $1000">
    </node>
    <node TEXT="4 - $1000 to $5000">
    </node>
    <node TEXT="6 - $5000 +">
    </node>
  </node>
  <node TEXT="Weight">
    <node TEXT="1">
    </node>
  </node>
</node>
'

data <- read_xml(file)

xslt <- '<?xml version="1.0" encoding="UTF-8"?>
    <xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">

      <xsl:template match="/">
        <html><table><xsl:apply-templates select="node/node/node"/></table></html>
      </xsl:template>

      <xsl:template match="node">
        <tr>
        <td><xsl:value-of select="../../@TEXT"/></td>
        <td><xsl:value-of select="../@TEXT"/></td>
        <td><xsl:value-of select="@TEXT"/></td>
        </tr>
      </xsl:template>

    </xsl:stylesheet>'

style <- read_xml(xslt)
xml_xslt(data, style) %>% 
   rvest::html_table() %>% 
   .[[1]]
#>     X1     X2                 X3
#> 1 Cost  Scale     1 - $0 to $100
#> 2 Cost  Scale   2 - $100 to $500
#> 3 Cost  Scale  3 - $500 to $1000
#> 4 Cost  Scale 4 - $1000 to $5000
#> 5 Cost  Scale        6 - $5000 +
#> 6 Cost Weight                  1
...