R语言批量处理XML文件构建语料库报错，求XPath相关解决方案

一、使用readtext处理XML文件 #

你遇到的错误是因为XML结构无统一标准，readtext需要明确指定XPath来定位文本内容。修改代码如下：

library(readtext)

# 替换为你的XML文件目录，同时指定XPath定位文本节点
# 示例：假设文本内容在<content>标签下，XPath为"//content"
object <- readtext("your_directory_path", 
                   docvarsfrom = "filenames",  # 可选：从文件名提取文档变量
                   xpath = "//content")  # 替换为你实际的文本节点XPath

• 如何确定XPath：打开单个XML文件，找到存储目标文本的节点（比如<text>、<body>等），对应的XPath就是//节点名；如果节点嵌套更深（如<document><text>...</text></document>），则XPath为//document/text。

二、使用tm包构建VCorpus #

tm的DirSource默认不支持XML文本提取，需要自定义阅读器，结合xml2包解析XML：

library(tm)
library(xml2)

# 自定义XML阅读器
xml_reader <- function(x) {
  doc <- read_xml(x)
  # 替换为你的文本节点XPath
  text <- xml_text(xml_find_all(doc, "//content"))
  PlainTextDocument(text, language = "it-IT")
}

# 读取目录下的XML文件构建VCorpus
objectV <- DirSource("your_directory_path", pattern = "\\.xml$") %>%
  VCorpus(readerControl = list(reader = xml_reader, language = "it-IT"))

• 注意：需先安装xml2包（install.packages("xml2")）；同样要根据你的XML结构调整XPath。

额外提示 #

• 若XML文件结构统一，XPath可通用；若结构不一致，需编写更灵活的XPath或批量预处理XML文件。
• 针对意大利语文本，后续停用词处理可继续使用stopwords("it")适配。

内容的提问来源于stack exchange，提问作者SubotnikOne