如何用XML解析器或regex提取XML数据生成表格？

问题背景 #

需要从culverts.XML文件中提取<Placemark>节点的名称（如NODE36、NODE44），以及对应<description>标签内CDATA块中的表格数据，生成包含指定字段的汇总表格。此前尝试用正则提取<Placemark>内容时，出现回溯栈溢出和贪婪匹配范围错误（匹配第一个<Placemark>到最后一个</Placemark>）的问题。

方案一：优化正则表达式（临时解决，不推荐用于复杂XML） #

正则处理XML存在局限性，但针对当前场景可通过非贪婪匹配和模式优化解决问题：

1. 修正贪婪匹配：使用.*?替代.*，确保只匹配单个<Placemark>节点内容
2. 添加(?s)修饰符，让.匹配换行符
3. 明确匹配边界，减少模糊匹配带来的回溯

R代码示例 #

library(stringr)

# 读取XML文件内容
file_str <- readLines("culverts.XML", warn = FALSE) |> paste(collapse = "\n")

# 提取单个Placemark节点内容（非贪婪匹配）
placemarks <- str_extract_all(file_str, "(?s)<Placemark>(.*?)</Placemark>")[[1]]

# 遍历每个Placemark提取数据
result_list <- lapply(placemarks, function(pm) {
  # 提取节点名称
  name <- str_extract(pm, "<name>(.*?)</name>") |> str_remove_all("<name>|</name>")
  
  # 提取CDATA内的表格内容
  cdata_content <- str_extract(pm, "<!\\[CDATA\\[(.*?)\\]\\]>") |> 
    str_remove_all("<!\\[CDATA\\[|\\]\\]>|^<br>|<br>$")
  
  # 解析HTML表格为数据框
  tbl <- readHTMLTable(cdata_content, stringsAsFactors = FALSE)[[1]]
  colnames(tbl) <- tbl[,1]
  tbl <- t(tbl[,-1]) |> as.data.frame(stringsAsFactors = FALSE)
  rownames(tbl) <- NULL
  
  # 合并名称与表格数据
  cbind(Name = name, tbl)
})

# 合并为最终数据框
final_tbl <- do.call(rbind, result_list)
print(final_tbl)

方案二：使用XML解析器（推荐，稳定可靠） #

处理XML文件最稳妥的方式是使用专业解析库，比如R中的xml2包，它能正确处理节点嵌套、CDATA等XML结构，彻底避免正则的各类问题。

R代码示例 #

library(xml2)
library(rvest)

# 读取XML文件
doc <- read_xml("culverts.XML")

# 提取所有Placemark节点
placemark_nodes <- xml_find_all(doc, "//Placemark")

# 遍历节点提取数据
final_tbl <- lapply(placemark_nodes, function(node) {
  # 提取节点名称
  name <- xml_text(xml_find_first(node, "./name"))
  
  # 提取CDATA文本并解析表格
  cdata_text <- xml_text(xml_find_first(node, "./description"))
  tbl <- read_html(cdata_text) |> html_table(header = TRUE)[[1]]
  
  # 合并名称与表格数据
  cbind(Name = name, tbl)
}) |> do.call(rbind, _)

# 输出格式化表格
knitr::kable(final_tbl, align = "c")

生成的目标表格 #

内容的提问来源于stack exchange，提问作者M--