如何用readtext导入XML文本并提取节点属性作为docvars？

完全可以实现，下面提供两种实用方法，根据你的XML结构选择：

方法一：用readtext直接提取（简便快捷） #

如果你的XML中每个文本块对应一个带属性的节点（比如<document author="xxx" date="xxx">...</document>），可以直接通过readtext的参数完成属性提取：

# 加载所需包
library(readtext)
library(quanteda)

# 导入XML并提取属性作为docvars
rt_obj <- readtext(
  "your_xml_file.xml",
  docvarsfrom = "attributes",  # 指定从节点属性提取docvars
  dvcols = c("author", "date"),# 要提取的属性名称
  text_field = "document"      # 指定存储文本内容的节点名
)

# 转换为quanteda语料库
corpus_obj <- corpus(rt_obj)

# 验证docvars是否提取成功
docvars(corpus_obj)

方法二：结合xml2手动提取（灵活适配复杂结构） #

如果你的XML结构更复杂（比如嵌套层级多），可以用xml2包先解析XML，手动提取属性和文本，再创建语料库：

示例XML结构 #

这是第一条帖子的内容。 这是第二条帖子的内容。

代码实现 #

library(xml2)
library(quanteda)
library(tibble)

# 读取并解析XML
xml_doc <- read_xml("your_xml_file.xml")

# 定位所有目标节点
post_nodes <- xml_find_all(xml_doc, "//post")

# 提取属性作为docvars
doc_vars <- tibble(
  author = xml_attr(post_nodes, "author"),
  date = xml_attr(post_nodes, "date")
)

# 提取文本内容（这里从子节点<content>提取）
text_content <- xml_text(xml_find_all(post_nodes, "./content"))

# 创建quanteda语料库
corpus_obj <- corpus(text_content, docvars = doc_vars)

两种方法最终都能得到带有author和date属性的语料库，后续可以正常使用quanteda的所有语料库探索功能。

内容的提问来源于stack exchange，提问作者Tetro