Создайте список совпадений регулярных выражений из документа XML в R

Question

Я хотел бы создать список всех совпадений регулярного выражения, которое можно найти в документе XML, используя R. Я получил документ XML, используя:

XMLdocument <- read_ xml ("<a href="https://www.ris.bka.gv.at/Dokumente/Vfgh/JFT_20191212_19G00164_00/JFT_20191212_19G00164_00.xml" rel="nofollow noreferrer">https://www.ris.bka.gv.at/Dokumente/Vfgh/JFT_20191212_19G00164_00/JFT_20191212_19G00164_00.xml")

Меня интересуют все совпадения GXXXX / YYYY, где G - строка "G", XXXX - число от 1 до 9999 и YYYY - число от 1 до 9999, в узлах "absatz" с ct = "begruendung".

Любой совет очень ценится!

Answer 1

Вот один из способов получить то, что вам нужно. Вы можете изменить этот ответ, если в других частях документа XML также есть текст, соответствующий вашему целевому шаблону.

library(xml2)
library(stringr)

# read in the XML doc
xmldoc <- as_list(read_xml("https://www.ris.bka.gv.at/Dokumente/Vfgh/JFT_20191212_19G00164_00/JFT_20191212_19G00164_00.xml"))

# extract all the "absatz" elements as these seem to hold the relevant text
absatz <- lapply(1:length(xmldoc$risdok$nutzdaten$abschnitt), 
                 function(x){
                     xmldoc$risdok$nutzdaten$abschnitt[x]$absatz[[1]]
                     })

# extract all the "cts" elements
cts <- lapply(1:length(xmldoc$risdok$nutzdaten$abschnitt), 
             function(x){
                 attributes(xmldoc$risdok$nutzdaten$abschnitt[x]$absatz)$ct
             })

# flatten the cts to get a character vector
cts <- unlist(cts)

# find the indices of the cts which equal "begruendung"
begs_idx <- grep(pattern = "begruendung", x = cts)

# subset the absatz list using the begruendung indices
absatz_bg <- absatz[begs_idx]

# remove null items in the absatz_bg list
names(absatz_bg) <- seq_along(absatz_bg)
absatz_bg[sapply(absatz_bg, is.null)] <- NULL

# flatten the list to get a character vector
flat_absatz_bg <- unlist(absatz_bg)

# find instances of the pattern GXXXX/YYYY,
output <- flat_absatz_bg %>% str_extract(pattern = "G\\d+/\\d+")

# remove the NAs
gs <- output[!is.na(output)]

# look at the result
gs
#>  [1] "G164/2019" "G415/2017" "G136/2017" "G136/2017" "G136/2017" "G136/2017"
#>  [7] "G156/2018" "G136/207"  "G136/2017" "G308/2018" "G179/2015" "G156/2018"
#> [13] "G415/2017"

^{Создан в 2020-01-23 пакетом представ. (v0.3.0)}