带有嵌套同级的xml到R中的数据帧


xml with nested siblings to data frame in R

我是R语言中解析XML的新手。我试图将XML解析为可用的数据框。我已经尝试了XML包中的一些XPath函数，但似乎无法得出正确的答案。

这是我的XML：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
<ResidentialProperty>
    <Listing>
      <StreetAddress>
        <StreetNumber>11111</StreetNumber>
        <StreetName>111th</StreetName>
        <StreetSuffix>Avenue Ct</StreetSuffix>
        <StateOrProvince>WA</StateOrProvince>
      </StreetAddress>
      <MLSInformation>
        <ListingStatus Status="Active"/>
        <StatusChangeDate>2015-07-05T23:48:53.410</StatusChangeDate>
      </MLSInformation>
      <GeographicData>
        <Latitude>11.111111</Latitude>
        <Longitude>-111.111111</Longitude>
        <County>Pierce</County>
      </GeographicData>
      <SchoolData>
        <SchoolDistrict>Puyallup</SchoolDistrict>
      </SchoolData>
      <View>Territorial</View>
    </Listing>
    <YearBuilt>1997</YearBuilt>
    <InteriorFeatures>Bath Off Master,Dbl Pane/Storm Windw</InteriorFeatures>
    <Occupant>
      <Name>Vacant</Name>
    </Occupant>
    <WaterFront/>
    <Roof>Composition</Roof>
    <Exterior>Brick,Cement Planked,Wood,Wood Products</
</ResidentialProperty>

我跑步时：

1
ResidentialProperty <- xmlToDataFrame(nodes=getNodeSet(doc,"//ResidentialProperty"))

父节点内的子节点的值被压缩为：

1
11111111thAvenue CtWA2015-07-05T23:48:53.41011.111111-111.111111PiercePuyallupTerritorial

如果我将一个节点下移到，则会发生相同的事情：

1
11111111thAvenue CtWA

所有子节点的值都粘贴在一起。

我还尝试了一种行之有效的蛮力方法：

1
2
3
4
5
6
7
8
9
10
StreetAddress <- xmlToDataFrame(nodes=getNodeSet(doc,"//StreetAddress"))
MLSInformation <- xmlToDataFrame(nodes=getNodeSet(doc,"//MLSInformation"))
GeographicData <- xmlToDataFrame(nodes=getNodeSet(doc,"//GeographicData"))
SchoolData <- xmlToDataFrame(nodes=getNodeSet(doc,"//SchoolData"))
YearBuilt <- xmlToDataFrame(nodes=getNodeSet(doc,"//YearBuilt"))
InteriorFeatures <- xmlToDataFrame(nodes=getNodeSet(doc,"//InteriorFeatures"))
Occupant <- xmlToDataFrame(nodes=getNodeSet(doc,"//Occupant"))
Roof <- xmlToDataFrame(nodes=getNodeSet(doc,"//Roof"))
Exterior <- xmlToDataFrame(nodes=getNodeSet(doc,"//Exterior"))
df <- cbind(StreetAddress, MLSInformation, GeographicData, SchoolData, YearBuilt, InteriorFeatures, Occupant, Roof, Exterior)

但是某些列名称与预期不符：

1
2
3
4
> colnames(df)
 [1]"StreetNumber"    "StreetName"      "StreetSuffix"    "StateOrProvince" "ListingStatus"  
 [6]"StatusChangeDate""Latitude"        "Longitude"       "County"          "SchoolDistrict"  
[11]"text"            "text"            "Name"            "text"            "text"

colnames[11,12,14,15]应分别为"YearBuilt","InteriorFeatures","Roof", and"Exterior"。 (旁注-为什么会发生这种情况？)

我正在尝试找到一种方法，可以将每个原子值排序到数据帧的适当列中，其中列名是节点的名称，即使在嵌套的子节点内也是如此。另外，我的数据可能会随时间变化，因此我正在寻找一种动态函数来符合数据，并在可能的情况下产生预期的结果。

我以为这是一个有点普通的XML模式(带有嵌套的子层)，所以尽管没有在搜索中使用错误的术语，却没有找到太多关于该主题的信息，我很惊讶。我猜有一个简单的答案。您有什么建议吗？

考虑xml保存您的示例字符串，这是具有不同项目数量的住宅物业的另一种策略：

1
2
3
4
5
6
7
8
9
10
11
12
13
library(XML)
library(plyr)
# xml <- '<ResidentialProperty>........'
doc <- xmlParse(xml, asText =  TRUE)
df <- do.call(rbind.fill, lapply(doc['//ResidentialProperty'], function(x) {
  names <- xpathSApply(x, './/.', xmlName)
  names <- names[which(names =="text") - 1]
  values <- xpathSApply(x,".//text()", xmlValue)
  return(as.data.frame(t(setNames(values, names)), stringsAsFactors = FALSE))
}))
df
#   StreetNumber StreetName StreetSuffix StateOrProvince        StatusChangeDate  Latitude   Longitude County SchoolDistrict        View YearBuilt                     InteriorFeatures   Name        Roof                                Exterior
# 1        11111      111th    Avenue Ct              WA 2015-07-05T23:48:53.410 11.111111 -111.111111 Pierce       Puyallup Territorial      1997 Bath Off Master,Dbl Pane/Storm Windw Vacant Composition Brick,Cement Planked,Wood,Wood Products
相关讨论