Как извлечь xml_attr и xml_text на разных уровнях с xml2 и purrr?

Я хочу извлечь информацию из файла XML и преобразовать ее в фрейм данных.

Информация хранится во вложенных узлах в виде текста XML, а также атрибутов XML:

Пример структуры:

<xmlnode node-id = "Text about xmlnode">
    <xmlsubnode subnode-id = "123">
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
    </xmlsubnode>
    <xmlsubnode subnode-id = "456">
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
    </xmlsubnode>
</xmlnode>
<xmlnode node-id = "Text about xmlnode">
    <xmlsubnode subnode-id = "123">
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
    </xmlsubnode>
    <xmlsubnode subnode-id = "456">
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
        <xmlsubsubnode>
            I want to extract this text
        </xmlsubsubnode>    
    </xmlsubnode>
</xmlnode>

Я хочу получить эту информацию:

* node-id (attribute)
* subnode-id (attribute)
* text in `xmlsubnodenode` (text)

Мне нужен длинный фрейм данных, как это:

node-id subnode-id  text
Text about xmlnode 1    123 I want to extract this text
Text about xmlnode 1    123 I want to extract this text
Text about xmlnode 1    123 I want to extract this text
Text about xmlnode 1    123 I want to extract this text
Text about xmlnode 1    456 I want to extract this text
Text about xmlnode 1    456 I want to extract this text
Text about xmlnode 1    456 I want to extract this text
Text about xmlnode 1    456 I want to extract this text
Text about xmlnode 2    123 I want to extract this text
Text about xmlnode 2    123 I want to extract this text
Text about xmlnode 2    123 I want to extract this text
Text about xmlnode 2    123 I want to extract this text
Text about xmlnode 2    456 I want to extract this text
Text about xmlnode 2    456 I want to extract this text
Text about xmlnode 2    456 I want to extract this text
Text about xmlnode 2    456 I want to extract this text

Я пытался следовать подходу Дженни Брайан "Как приручить XML с помощью вложенных фреймов данных и мурлыкать", но он работает только на первом уровне.

xml <- xml2::read_xml("input/example.xml")
rows <- 
  xml %>%
  xml_find_all("//xmlnode")
rows_df <- data_frame(row = seq_along(rows), nodeset = rows)
rows_df %>%
  mutate(node_id = nodeset %>% map(~ xml_attr(., "node-id"))) %>%
  select(row, node_id) %>%
  unnest()

У вас есть идеи, чтобы получить эту информацию с purrr?

1 ответ

Решение

Подход без необходимости разматывать / добавлять строки в другой фрейм данных: создать фрейм данных, содержащий строки для каждого subsubnode и использовать purrr вместе с xml2 выбрать и извлечь значения xmlsubnode родитель и xmlnode предок.

Рабочий образец:

library(dplyr)
library(xml2)
library(purrr)
library(tidyr)
xml <- xml2::read_xml("input/example.xml")
rows <- xml %>% xml_find_all("//xmlsubsubnode")
rows_df <- data_frame(node = rows) %>%
  mutate(node_id = node %>% map(~ xml_find_first(., "ancestor::xmlnode")) %>% map(~ xml_attr(., "node-id"))) %>%
  mutate(subnode_id = node %>% map(~ xml_parent(.)) %>% map(~ xml_attr(., "subnode-id"))) %>%
  mutate(text = node %>% map(~ xml_text(.))) %>%
  select(-node)
Другие вопросы по тегам