如何在R中指定父节点row解析嵌套XML为DataFrame？

问题背景 #

使用R的XML包解析嵌套XML时，直接调用xmlToDataFrame()会导致列包含整个节点内容；指定父节点row后又触发列重复下标错误：

Error in [<-.data.frame(*tmp*, i, names(nodes[[i]]), value = c(row = "41021206Frankford2NORTHEASTERN", : duplicate subscripts for columns

初始代码：

require(XML)
data <- xmlInternalTreeParse("test2.xml")
df <- xmlToDataFrame(data)

尝试修正的代码：

df <- xmlToDataFrame(nodes=getNodeSet(data, "//row"))

错误原因 #

你的XML结构中，row节点下存在同名子节点（比如重复的标签名），xmlToDataFrame无法自动处理重复列名，因此抛出错误。

解决方案 #

方法1：手动提取节点内容构建DataFrame #

遍历每个row节点，手动提取所需子节点的文本值，规避重复列名问题：

require(XML)
data <- xmlInternalTreeParse("test2.xml")
rows <- getNodeSet(data, "//row")

# 替换为你的XML中实际需要提取的子节点名称
target_nodes <- c("id", "name", "region")

# 遍历每个row，提取对应节点的文本值
df_list <- lapply(rows, function(row) {
  sapply(target_nodes, function(node) {
    xmlValue(getNodeSet(row, paste0("./", node))[[1]])
  })
})

# 转换为DataFrame
df <- as.data.frame(do.call(rbind, df_list), stringsAsFactors = FALSE)

方法2：用xmlToList预处理后整理 #

先将XML转为列表，再通过数据框整理函数处理重复项：

require(XML)
data <- xmlInternalTreeParse("test2.xml")
row_list <- xmlToList(data)[["row"]] # 假设根节点下直接包含row节点

# 处理列表中的重复元素，转为数据框
df <- as.data.frame(do.call(rbind, lapply(row_list, function(x) {
  # 若有重复键，这里示例取第一个值，可根据需求改为合并等逻辑
  sapply(names(x), function(n) x[[n]][1])
})), stringsAsFactors = FALSE)

方法3：使用xml2包（替代XML包，更灵活） #

如果可以切换工具包，xml2配合tidyverse生态处理嵌套XML更便捷：

require(xml2)
require(dplyr)
require(tidyr)

data <- read_xml("test2.xml")
df <- data %>%
  xml_find_all("//row") %>%
  map_df(function(row) {
    tibble(
      id = row %>% xml_find_first("./id") %>% xml_text(),
      name = row %>% xml_find_first("./name") %>% xml_text(),
      region = row %>% xml_find_first("./region") %>% xml_text()
      # 根据你的XML结构添加更多字段
    )
  })

内容的提问来源于stack exchange，提问作者Youssef