首页 > 代码库 > 用R解析XML
用R解析XML
一、XML基本语法：
如果我们用爬网页的方式获取数据，必然要解析网页。网页中存储数据的部分一般用XML语法，所以这里介绍一下R解析XML的方法。其实这部分内容挺简单的，没有高深的技巧，很容易搞明白。
首先要知道XML的基本要素：元素、属性、文本数据，我们可以看如下xml文件：
<bookstore><book> <title lang="eng">Harry Potter</title> <price>29.99</price></book><book> <title lang="eng">Learning XML</title> <price>39.95</price></book></bookstore>
在这个xml里，<bookstore>是根元素，它有两个子元素<book>，第一个<book>元素又有两个子元素分别是<title>和<price>，xml就是这样通过父元素带子元素的形式组成树状结构；其中元素<title>有属性lang，其值eng必须用引号引起来，有文本数据Harry Potter（XML本身就是文本文件），R中有专门的方法可获取该文本数据。元素<price>只有文本数据，无属性。
XML文件的基本结构如上所述，那么怎么获取这些属性、文本数据呢？这需要用到XPath语法，主要的路径表达式如下：
| 表达式 | 描述 |
| / | 从根元素选取 |
| // | 选择文档中的元素，而不考虑它们的位置 |
| @ | 选取属性 |
举几个例子：
| 路径表达式 | 结果 |
| /bookstore | 选取根元素bookstore 注意：以“/”开头，表示该路径为绝对路径 |
| //book | 选择所有的book元素，而不考虑它的具体位置 |
| //@lang | 选取所有名为lang的属性 |
| /bookstore//price | 选择根元素bookstore下所有的price元素 |
| /bookstore/book | 选择根元素bookstore下所有book子元素 |
| //title[@lang] | 选取所有带属性lang的title元素 |
| //title[@lang="eng"] | 选取所有带属性lang且值为eng的title元素 |
二、R中解析XML的函数：
R中解析的函数都在XML这个包中，用法如下：
1）读取xml文件的函数xmlParse：
如我们将文章开头提到的xml存为books.xml文件，运行如下：
> library(XML);> doc = xmlParse(‘books.xml‘);> > doc<?xml version="1.0"?><bookstore> <book> <title lang="eng">Harry Potter</title> <price>29.99</price> </book> <book> <title lang="eng">Learning XML</title> <price>39.95</price> </book></bookstore>
2）获取元素的函数getNodeSet：
> prices = getNodeSet(doc, ‘/bookstore//price‘);
> prices
[[1]]
<price>29.99</price>
[[2]]
<price>39.95</price>
attr(,"class")
[1] "XMLNodeSet"
3）解析元素的文本数据xmlValue：
> xmlValue(prices[[1]])[1] "29.99"
xmlValue的输入参数类型为XMLNode，如果想一次性获得XMLNodeSet中元素的文本数据，可用如下函数：
> sapply(1:length(prices), function(x) xmlSApply(prices[[x]], xmlValue)) text text "29.99" "39.95
用R解析XML