R語言處理XML文件

XML是分享的文件格式在萬維網(wǎng)，內(nèi)聯(lián)網(wǎng)中的數(shù)據(jù)，和其他地方使用標(biāo)準(zhǔn)ASCII文本的文件格式。它代表著可擴展標(biāo)記語言(XML)。類似于 HTML 包含標(biāo)記標(biāo)簽。但不同于HTML標(biāo)記標(biāo)簽描述了頁面的結(jié)構(gòu)，xml標(biāo)記標(biāo)簽中包含自己的文件中的數(shù)據(jù)含義。

可以通過使用R中的“XML”包來讀取XML文件。可以用下面的命令來安裝該軟件包。

install.packages("XML")

輸入數(shù)據(jù)

通過下面的數(shù)據(jù)復(fù)制到記事本等文本編輯器創(chuàng)建一個XML文件。保存為一個帶有 .xml 擴展名的文件，并選擇文件類型為所有文件（*.*）。

<RECORDS>
  <EMPLOYEE>
    <ID>1</ID>
    <NAME>Rick</NAME>
    <SALARY>623.3</SALARY>
    <STARTDATE>1/1/2012</STARTDATE>
    <DEPT>IT</DEPT>
  </EMPLOYEE>
  <EMPLOYEE>
    <ID>2</ID>
    <NAME>Dan</NAME>
    <SALARY>515.2</SALARY>
    <STARTDATE>9/23/2013</STARTDATE>
    <DEPT>Operations</DEPT>
  </EMPLOYEE>
  <EMPLOYEE>
    <ID>3</ID>
    <NAME>Michelle</NAME>
    <SALARY>611</SALARY>
    <STARTDATE>11/15/2014</STARTDATE>
    <DEPT>IT</DEPT>
  </EMPLOYEE>
  <EMPLOYEE>
    <ID>4</ID>
    <NAME>Ryan</NAME>
    <SALARY>729</SALARY>
    <STARTDATE>5/11/2014</STARTDATE>
    <DEPT>HR</DEPT>
  </EMPLOYEE>
  <EMPLOYEE>
    <ID>5</ID>
    <NAME>Gary</NAME>
    <SALARY>843.25</SALARY>
    <STARTDATE>3/27/2015</STARTDATE>
    <DEPT>Finance</DEPT>
  </EMPLOYEE>
  <EMPLOYEE>
    <ID>6</ID>
    <NAME>Nina</NAME>
    <SALARY>578</SALARY>
    <STARTDATE>5/21/2013</STARTDATE>
    <DEPT>IT</DEPT>
  </EMPLOYEE>
  <EMPLOYEE>
    <ID>7</ID>
    <NAME>Simon</NAME>
    <SALARY>632.8</SALARY>
    <STARTDATE>7/30/2013</STARTDATE>
    <DEPT>Operations</DEPT>
  </EMPLOYEE>
  <EMPLOYEE>
    <ID>8</ID>
    <NAME>Guru</NAME>
    <SALARY>722.5</SALARY>
    <STARTDATE>6/17/2014</STARTDATE>
    <DEPT>Finance</DEPT>
  </EMPLOYEE>
</RECORDS>

讀取XML文件

XML文件是由R使用函數(shù)XMLPARSE()讀取。它存儲為R語言中的列表，如下所示：

# Load the package required to read XML files.
library("XML")

# Also load the other required package.
library("methods")

# Give the input file name to the function.
result <- xmlParse(file="input.xml")

# Print the result.
print(result)

當(dāng)我們上面的代碼執(zhí)行時，它產(chǎn)生以下結(jié)果：

1
    Rick
    623.3
    1/1/2012
    IT
 
 
    2
    Dan
    515.2
    9/23/2013
    Operations
 
 
    3
    Michelle
    611
    11/15/2014
    IT
 
 
    4
    Ryan
    729
    5/11/2014
    HR
 
 
    5
    Gary
    843.25
    3/27/2015
    Finance
 
 
    6
    Nina
    578
    5/21/2013
    IT
 
 
    7
    Simon
    632.8
    7/30/2013
    Operations
 
 
    8
    Guru
    722.5
    6/17/2014
    Finance

獲取目前在XML文件的節(jié)點數(shù)量

# Load the packages required to read XML files.
library("XML")
library("methods")

# Give the input file name to the function.
result <- xmlParse(file="input.xml")

# Exract the root node form the xml file.
rootnode <- xmlRoot(result)

# Find number of nodes in the root.
rootsize <- xmlSize(rootnode)

# Print the result.
print(rootsize)

當(dāng)我們上面的代碼執(zhí)行時，它產(chǎn)生以下結(jié)果：

output
[1] 8

第一個節(jié)點的細節(jié)

讓我們來看看在解析文件的第一條記錄。它會給我們存在于頂層節(jié)點的各種元素的詳細。

# Load the packages required to read XML files.
library("XML")
library("methods")

# Give the input file name to the function.
result <- xmlParse(file="input.xml")

# Exract the root node form the xml file.
rootnode <- xmlRoot(result)

# Print the result.
print(rootnode[1])

當(dāng)我們上面的代碼執(zhí)行時，它產(chǎn)生以下結(jié)果：

$EMPLOYEE1Rick623.31/1/2012ITattr(,"class")
[1] "XMLInternalNodeList" "XMLNodeList"

獲取一個節(jié)點的不同元素

# Load the packages required to read XML files.
library("XML")
library("methods")

# Give the input file name to the function.
result <- xmlParse(file="input.xml")

# Exract the root node form the xml file.
rootnode <- xmlRoot(result)

# Get the first element of the first node.
print(rootnode[[1]][[1]])

# Get the fifth element of the first node.
print(rootnode[[1]][[5]])

# Get the second element of the third node.
print(rootnode[[3]][[2]])

當(dāng)我們上面的代碼執(zhí)行時，它產(chǎn)生以下結(jié)果：

1ITMichelle

XML到數(shù)據(jù)幀

為了有效地處理大型文件中的數(shù)據(jù)，我們將XML文件中讀出的數(shù)據(jù)作為數(shù)據(jù)幀。然后處理進行數(shù)據(jù)分析的數(shù)據(jù)幀。

# Load the packages required to read XML files.
library("XML")
library("methods")

# Convert the input xml file to a data frame.
xmldataframe <- xmlToDataFrame("input.xml")
print(xmldataframe)

當(dāng)我們上面的代碼執(zhí)行時，它產(chǎn)生以下結(jié)果：

  ID     NAME SALARY  STARTDATE       DEPT
1  1     Rick  623.3   1/1/2012         IT
2  2      Dan  515.2  9/23/2013 Operations
3  3 Michelle    611 11/15/2014         IT
4  4     Ryan    729  5/11/2014         HR
5  5     Gary 843.25  3/27/2015    Finance
6  6     Nina    578  5/21/2013         IT
7  7    Simon  632.8  7/30/2013 Operations
8  8     Guru  722.5  6/17/2014    Finance

由于數(shù)據(jù)現(xiàn)在可以作為一個數(shù)據(jù)幀，我們可以用數(shù)據(jù)幀的相關(guān)函數(shù)讀取和處理的文件。