解析含内容缺失的XML并生成对应data.frame的问题求助

问题背景 #

需要处理一段存在内容缺失的TEI格式XML，目标是生成每行对应一个<div rend="entry">节点的data.frame，缺失的time或content字段用NA填充。此前尝试两种方法均遇问题：

• 使用read_xml结合XPath查询时，xml_find_all返回空列表；
• 改用htmlParse相关方法虽能提取字符串，但因部分<div>缺少time或content信息，导致数据与节点的对应关系丢失。

核心问题分析 #

TEI XML带有命名空间（xmlns="http://www.tei-c.org/ns/1.0"），直接使用XPath查询会因为忽略命名空间而无法匹配节点，这是xml_find_all返回空列表的原因。此外，直接全局提取time和content字符串会打破与<div>节点的一一对应关系，必须针对每个<div>节点单独提取字段。

解决方案代码 #

# 加载所需包
library(xml2)
library(tibble)
library(purrr)

# 读取TEI XML文件
data_xml <- read_xml("your_xml_file.xml")

# 去除命名空间（简化XPath查询）
xml_ns_strip(data_xml)

# 提取所有rend="entry"的div节点
div_nodes <- xml_find_all(data_xml, "//div[@rend='entry']")

# 遍历每个div节点，提取time和content
extract_fields <- function(node) {
  # 提取time：查找当前节点下的head[@rend='time']
  time <- xml_find_first(node, "./head[@rend='time']") %>%
    xml_text(trim = TRUE)
  time <- ifelse(is.na(time), NA, time)
  
  # 提取content：查找当前节点下的p[@rend='content']/hi[@rend='italic']
  content <- xml_find_first(node, "./p[@rend='content']/hi[@rend='italic']") %>%
    xml_text(trim = TRUE)
  content <- ifelse(is.na(content), NA, content)
  
  return(list(time = time, content = content))
}

# 应用函数到所有div节点
fields_list <- map(div_nodes, extract_fields)

# 转换为data.frame并添加div序号
result_df <- tibble(
  div = seq_along(div_nodes),
  time = map_chr(fields_list, ~.x$time),
  content = map_chr(fields_list, ~.x$content)
)

# 查看结果
print(result_df)

代码说明 #

1. 命名空间处理：使用xml_ns_strip(data_xml)去除TEI的默认命名空间，避免XPath查询时需要指定命名前缀，简化查询逻辑。
2. 节点定位：通过//div[@rend='entry']精准定位所有目标<div>节点，确保只处理需要的条目。
3. 逐节点提取：针对每个<div>节点，分别查询其内部的time和content字段，保证每个字段与节点一一对应；若节点不存在对应字段，自动填充NA。
4. 结果整理：将提取的字段列表转换为tibble，并添加div序号，与期望输出格式一致。

输出结果 #

运行代码后将得到如下格式的data.frame：

内容的提问来源于stack exchange，提问作者amy