如何在R中将德国议会辩论XML解析为含发言人信息的DataFrame？

核心思路 #

把提取到的各个字段（演讲ID、发言人ID、姓名、演讲内容）分别整理为向量，再直接组合成DataFrame即可。下面是基于xml2包的完整示例（假设你已经完成XML文档的解析和<rede>节点的提取）：

代码实现 #

1. 加载依赖包（未安装先运行install.packages(c("xml2", "dplyr"))）

library(xml2)
library(dplyr) # 可选，简化数据操作

2. 提取各字段向量
   假设你已经通过xml_read_file()解析了XML文档并得到doc，且获取了所有<rede>节点：

# 获取所有演讲节点
rede_nodes <- xml_find_all(doc, "//rede")

# 提取演讲ID（假设rede节点有id属性）
rede_ids <- xml_attr(rede_nodes, "id")

# 提取发言人ID（假设redner节点有id属性）
speaker_ids <- xml_find_first(rede_nodes, ".//redner") %>% xml_attr("id", default = "无ID")

# 提取发言人姓名
speaker_names <- xml_find_first(rede_nodes, ".//redner/name") %>% xml_text(default = "未知发言人")

# 提取并合并演讲内容（合并所有<p>标签内的文本）
speech_texts <- lapply(rede_nodes, function(node) {
  xml_find_all(node, ".//p") %>% 
    xml_text() %>% 
    paste(collapse = " ")
}) %>% unlist()

3. 整合为DataFrame

speech_df <- data.frame(
  演讲ID = rede_ids,
  发言人ID = speaker_ids,
  发言人姓名 = speaker_names,
  演讲内容 = speech_texts,
  stringsAsFactors = FALSE
)

4. 输出要求的结果

# 输出演讲总数
cat("演讲总数：", nrow(speech_df), "\n")

# 输出第一篇演讲内容
cat("第一篇演讲内容：\n", speech_df$演讲内容[1], "\n")

注意事项 #

• 如果XML结构和示例不同，需要调整XPath路径（比如<rede>下的内容标签不是<p>，就把.//p改成对应标签）
• 用xml_text(default = "...")可以避免因节点缺失导致的报错
• 如果演讲内容包含特殊字符，xml_text()会自动处理，无需额外转义

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