在R中从含重复节点的XML提取数据框（替代xmlToDataFrame）

当XML节点的子节点结构不统一时，xmlToDataFrame()无法正常工作，你可以用xml2包来灵活处理这种情况，以下是具体实现步骤：

步骤1：准备XML并解析 #

注意：XML语法要求必须有唯一根节点，所以需要给你的示例XML包裹<root>标签，否则无法被正确解析。

步骤2：完整R代码实现 #

library(xml2)

# 带根节点的XML内容
xml_text <- '
<root>
  <HelloWorld created="2022-03-22" id="12we">
    <myname>omi</myname>
  </HelloWorld>
  <HelloWorld created="2022-03-12" id="18we">
    <myh>59</myh>
    <myfname>Tom</myfname>
    <mylname>John</mylname>
  </HelloWorld>
  <HelloWorld created="2022-03-30" id="188yye">
    <myh>60</myh>
    <favcolor>grey</favcolor>
    <myfname>Alex</myfname>
    <mylname>Tom</mylname>
  </HelloWorld>
</root>
'

# 解析XML文档
xml_doc <- read_xml(xml_text)

# 定位所有HelloWorld节点
hello_nodes <- xml_find_all(xml_doc, "//HelloWorld")

# 遍历每个节点提取数据
node_data <- lapply(hello_nodes, function(node) {
  # 提取id属性
  id <- xml_attr(node, "id")
  # 获取子节点的名称与对应值
  children <- xml_children(node)
  child_names <- xml_name(children)
  child_values <- xml_text(children)
  # 组合成包含id的列表
  c(list(id = id), setNames(as.list(child_values), child_names))
})

# 合并为数据框，自动填充缺失值为NA
result_df <- do.call(rbind, lapply(node_data, function(x) as.data.frame(x, stringsAsFactors = FALSE)))

# 调整列顺序匹配需求
desired_cols <- c("id", "myname", "myh", "myfname", "mylname", "favcolor")
result_df <- result_df[, desired_cols]

# 处理字符串首字母大写
capitalize_str <- function(s) {
  if (is.na(s)) return(NA)
  paste0(toupper(substr(s, 1, 1)), substr(s, 2, nchar(s)))
}
result_df$myname <- sapply(result_df$myname, capitalize_str)
result_df$favcolor <- sapply(result_df$favcolor, capitalize_str)

# 查看结果
print(result_df)

代码说明 #

• 添加根节点：XML语法要求必须有唯一根节点，给原始XML包裹<root>标签是必要的解析前提。
• xml2包的优势：相比XML包的xmlToDataFrame()，xml2提供了更细粒度的节点操作能力，能轻松处理异构节点结构。
• 自动填充NA：合并列表为数据框时，缺失的列会自动填充为NA，正好匹配你的需求。
• 首字母大写处理：通过自定义函数统一调整字符串格式，对齐你期望的输出样式。

运行代码后，你会得到和目标格式完全一致的数据框：

内容的提问来源于stack exchange，提问作者Sanam