如何在R中将XML的device层级节点转换为可区分identifier的DataFrame

我们需要分开处理header节点和device节点，同时将每个device下的identifier拆分为可区分的结构，避免合并到单个单元格。以下是具体实现步骤：

1. 加载所需包 #

先安装并加载用于XML解析和数据整理的工具包：

install.packages(c("xml2", "dplyr", "tidyr"))
library(xml2)
library(dplyr)
library(tidyr)

2. 读取XML并分离header与device节点 #

# 读取XML文件
doc <- read_xml("D:/xmltest.xml")

# 提取header节点（保留原始结构，不转换为DataFrame）
header_node <- xml_find_first(doc, ".//header")

# 提取所有device节点，后续仅对这些节点做转换
device_nodes <- xml_find_all(doc, ".//device")

3. 转换device节点为DataFrame并处理identifier #

GUDID格式中每个device下的identifier包含identifierType和identifierValue两类信息，我们提供两种处理方式：

方式一：将每个identifier展开为单独行（保留device其他字段关联） #

# 定义函数处理单个device节点
process_device <- function(node) {
  # 提取device的基础属性字段
  device_base <- xml_attrs(node) %>% 
    as_tibble_row() %>% 
    mutate(across(everything(), as.character))
  
  # 提取当前device下的所有identifier
  identifiers <- xml_find_all(node, ".//identifier") %>% 
    map_dfr(function(ident) {
      tibble(
        identifierType = xml_find_chr(ident, ".//identifierType"),
        identifierValue = xml_find_chr(ident, ".//identifierValue")
      )
    })
  
  # 合并基础字段与identifier信息（无identifier则仅返回基础字段）
  if(nrow(identifiers) == 0) {
    return(device_base)
  } else {
    return(bind_cols(device_base, identifiers))
  }
}

# 批量处理所有device节点
device_df <- map_dfr(device_nodes, process_device)

方式二：将不同类型的identifier转为单独列（适合identifier类型固定的场景） #

device_df <- map_dfr(device_nodes, function(node) {
  # 提取device基础字段
  base_data <- xml_attrs(node) %>% 
    as_tibble_row() %>% 
    mutate(across(everything(), as.character))
  
  # 提取identifier并转换为宽格式（每种类型对应一列）
  ident_wide <- xml_find_all(node, ".//identifier") %>% 
    map_dfr(function(ident) {
      tibble(
        type = xml_find_chr(ident, ".//identifierType"),
        value = xml_find_chr(ident, ".//identifierValue")
      )
    }) %>% 
    pivot_wider(names_from = type, values_from = value, names_prefix = "identifier_")
  
  # 合并基础字段与宽格式identifier表
  bind_cols(base_data, ident_wide)
})

4. 保留header节点的信息 #

如果需要使用header中的内容，可以直接提取具体字段，或保留原始XML结构：

# 提取header的关键字段示例
header_info <- tibble(
  submissionDate = xml_find_chr(header_node, ".//submissionDate"),
  source = xml_find_chr(header_node, ".//source")
)

# 若需保留原始XML结构，可序列化为字符串保存
header_raw_xml <- xml_serialize(header_node, NULL)

内容的提问来源于stack exchange，提问作者Inho Lee