如何在R中将不规则格式的XML表格转换为tibble？

核心思路：基于xml2遍历+动态适配行列 #

摆脱对固定属性或统一单元格数量的依赖，直接遍历表格的行与单元格节点，动态处理每一行的内容后整合成tibble。xml2::as_list()可以作为基础转换工具，但需要额外处理TEI表格节点的结构差异。

具体实现步骤 #

1. 解析XML并定位表格节点 #

先加载TEI-XML文档，用XPath定位目标表格节点（TEI规范中表格通常以<table>标签存在，可根据文档实际嵌套结构调整XPath）：

library(xml2)
library(tibble)
library(purrr)

# 加载目标TEI-XML文件
tei_doc <- read_xml("your_tei_file.xml")

# 定位所有表格节点
table_nodes <- xml_find_all(tei_doc, "//table")

2. 基于xml2::as_list()转换并清理结构 #

as_list()会将XML节点转为嵌套列表，但TEI表格的单元格可能存在层级差异（比如嵌套文本节点、特殊属性），需要先扁平化每行内容：

# 单个表格的处理函数
process_tei_table <- function(table_node) {
  # 将XML表格节点转为列表
  table_list <- as_list(table_node)
  
  # 提取所有行节点（假设行以<row>标签定义）
  rows <- table_list[names(table_list) == "row"]
  
  # 遍历每行，提取单元格文本
  row_contents <- map(rows, function(row) {
    # 提取该行下的所有单元格节点
    cells <- row[names(row) == "cell"]
    # 提取单元格内的文本，处理嵌套节点情况
    map_chr(cells, function(cell) {
      paste(xml_text(as_xml_node(cell)), collapse = " ")
    })
  })
  
  # 动态确定最大列数（适配不规则行）
  max_cols <- max(lengths(row_contents))
  
  # 给单元格数量不足的行补NA，统一列数
  row_contents_padded <- map(row_contents, function(row) {
    if (length(row) < max_cols) {
      c(row, rep(NA_character_, max_cols - length(row)))
    } else {
      row
    }
  })
  
  # 转换为tibble
  as_tibble(do.call(rbind, row_contents_padded))
}

# 批量处理所有表格，添加表格ID区分
tables_tibble <- map_dfr(table_nodes, process_tei_table, .id = "table_id")

3. 适配特殊场景（表头、合并单元格） #

如果TEI表格包含表头（<head>节点）或合并单元格（@cols属性），可以扩展函数逻辑：

# 进阶版：处理表头与合并单元格
process_tei_table_advanced <- function(table_node) {
  table_list <- as_list(table_node)
  
  # 提取表头文本（如果存在）
  header_text <- if ("head" %in% names(table_list)) {
    xml_text(as_xml_node(table_list$head))
  } else {
    NULL
  }
  
  rows <- table_list[names(table_list) == "row"]
  
  row_contents <- map(rows, function(row) {
    cells <- row[names(row) == "cell"]
    map(cells, function(cell) {
      # 处理跨列合并：读取@cols属性，重复文本对应跨列数
      col_span <- as.integer(xml_attr(as_xml_node(cell), "cols")) %||% 1
      rep(paste(xml_text(as_xml_node(cell)), collapse = " "), col_span)
    }) %>% unlist()
  })
  
  max_cols <- max(lengths(row_contents))
  row_contents_padded <- map(row_contents, ~c(., rep(NA_character_, max_cols - length(.))))
  
  tbl <- as_tibble(do.call(rbind, row_contents_padded))
  
  # 设置表头（如果有）
  if (!is.null(header_text)) {
    colnames(tbl) <- strsplit(header_text, "\\s+")[[1]][1:ncol(tbl)]
  }
  
  tbl
}

方案优势 #

• 无属性依赖：无需硬编码@role='label'这类特定属性，直接基于TEI标准的<row>、<cell>节点结构遍历，适配多数TEI表格。
• 动态适配行列：自动识别每行的单元格数量，短行自动补NA，完美兼容行列数不规则的表格。
• 扩展性强：可根据需求快速添加对合并单元格、表头、特殊文本节点的处理逻辑，适配不同TEI文档的个性化结构。

内容的提问来源于stack exchange，提问作者Will Hanley