如何将Excel XML文件导入R语言DataFrame？

核心思路 #

针对每行Cell数量不一致且带ss:Index属性的Excel XML文件，我们需要逐个解析Row节点：为每个Cell确定对应的列位置（优先用ss:Index属性，无属性则按Cell在Row中的顺序），再将每行补全为40列的结构，最后合并成标准DataFrame。

基于XML包的实现代码 #

假设你已经通过XML包加载了文档并拿到Row节点集合，以下是完整处理流程：

library(XML)

# 加载XML文档
doc <- xmlParse("data.xml")

# 处理命名空间（Excel XML通常带ss前缀）
ns <- xmlNamespaceDefinitions(doc, simplify = TRUE)
# 获取所有Row节点（XPath需匹配你的XML结构）
row_nodes <- getNodeSet(doc, "//ss:Row", namespaces = ns)

# 定义总列数（对应你提到的40个字段）
total_cols <- 40

# 定义单个Row节点的解析函数
parse_row <- function(row_node) {
  # 获取当前Row下的所有Cell子节点
  cell_nodes <- xmlChildren(row_node)
  # 初始化空行，所有值默认NA
  row_data <- rep(NA, total_cols)
  
  # 遍历每个Cell节点
  for (cell in cell_nodes) {
    # 提取ss:Index属性，无属性则用Cell在Row中的位置（从1开始）
    cell_index <- as.integer(xmlAttrs(cell)[["ss:Index"]])
    if (is.na(cell_index)) {
      cell_index <- which(names(cell_nodes) == names(cell))
    }
    
    # 提取Cell的实际值（根据你的XML结构调整，示例为ss:Data子节点的文本）
    cell_value <- xmlValue(xmlChildren(cell)[["ss:Data"]])
    
    # 将值写入对应列（确保不超出总列数）
    if (cell_index <= total_cols) {
      row_data[cell_index] <- cell_value
    }
  }
  
  return(row_data)
}

# 批量处理所有Row节点，转换为矩阵后转成DataFrame
data_matrix <- do.call(rbind, lapply(row_nodes, parse_row))
df <- as.data.frame(data_matrix, stringsAsFactors = FALSE)

# 自定义列名（替换为你的实际字段名）
colnames(df) <- paste0("Field_", 1:total_cols)

基于xml2包的替代实现 #

如果你偏好xml2包，可采用相同逻辑改写：

library(xml2)

doc <- read_xml("data.xml")
ns <- xml_ns(doc)
row_nodes <- xml_find_all(doc, "//ss:Row", ns)

total_cols <- 40

parse_row_xml2 <- function(row_node) {
  cell_nodes <- xml_find_all(row_node, "./ss:Cell", ns)
  row_data <- rep(NA, total_cols)
  
  for (i in seq_along(cell_nodes)) {
    cell <- cell_nodes[i]
    # 提取列位置
    cell_index <- as.integer(xml_attr(cell, "ss:Index"))
    if (is.na(cell_index)) cell_index <- i
    # 提取Cell值
    cell_value <- xml_text(xml_find_first(cell, "./ss:Data", ns))
    
    if (cell_index <= total_cols) {
      row_data[cell_index] <- cell_value
    }
  }
  return(row_data)
}

data_matrix <- do.call(rbind, lapply(row_nodes, parse_row_xml2))
df <- as.data.frame(data_matrix, stringsAsFactors = FALSE)
colnames(df) <- paste0("Field_", 1:total_cols)

关键注意事项 #

• 命名空间必须指定：Excel XML的节点大多带ss:前缀，必须通过namespaces参数传递命名空间，否则XPath无法匹配到节点。
• Cell值提取需适配结构：不同版本的Excel XML中，值的存储位置可能不同，若直接用xmlValue(cell)能拿到值，可替换示例中xmlChildren(cell)[["ss:Data"]]的部分。
• 表头处理：如果XML包含表头Row，可先解析表头的Cell值作为列名，替换colnames(df)的自定义内容。

内容的提问来源于stack exchange，提问作者moskemerak