R语言xmlToDataFrame转换XML为DataFrame报列重复下标错误

这个报错的核心触发逻辑是xmlToDataFrame函数默认会把目标节点的自身属性、所有直接子节点的属性/内容全部平铺作为数据框列，不会自动区分同名属性的来源层级：

• 你处理的KEGG KGML格式文件中，<entry>节点本身带有name属性，其嵌套的<graphics>子节点也存在同名的name属性，平铺后会生成重复列名，给数据框按列名赋值时就会触发「重复列下标」的错误。
• 另外你原有代码也存在用法问题：第一行已经用xmlParse解析得到了XML对象，第二行调用xmlToDataFrame时传入的是文件路径字符串而非解析好的对象，函数会重新从根节点开始全量平铺所有层级节点，进一步提升了重名冲突的概率。

不要直接调用默认的xmlToDataFrame读取全文件，手动指定要提取的节点层级，对不同来源的同名属性加前缀区分即可，两种常用实现方案：

• 方案1：沿用XML包手动构造数据框

library(XML)
# 解析XML文件
breast_cancer_doc <- xmlParse("breastcancerkegg.xml")
# 定位到所有entry节点
entry_nodes <- getNodeSet(breast_cancer_doc, "//entry")

# 遍历节点提取属性，重命名避免冲突
kegg_entry_df <- do.call(rbind, lapply(entry_nodes, function(node){
  # 提取entry节点自身属性
  entry_attr <- as.list(xmlAttrs(node))
  # 提取嵌套的graphics节点属性，统一加前缀
  graphics_node <- getNodeSet(node, "./graphics")[[1]]
  graphics_attr <- as.list(xmlAttrs(graphics_node))
  names(graphics_attr) <- paste0("graphics_", names(graphics_attr))
  # 合并为单行数据，缺失值自动填充为空
  as.data.frame(c(entry_attr, graphics_attr), stringsAsFactors = FALSE)
}))

• 方案2：用xml2+tibble方案处理，容错性更高

library(xml2)
library(tibble)

# 读取XML文件
doc <- read_xml("breastcancerkegg.xml")
# 批量提取entry节点数据
kegg_entry_df <- xml_find_all(doc, "//entry") |>
  lapply(function(node){
    self_attr <- as.list(xml_attrs(node))
    g_attr <- as.list(xml_attrs(xml_find_first(node, "./graphics")))
    names(g_attr) <- paste0("graphics_", names(g_attr))
    as_tibble(c(self_attr, g_attr))
  }) |>
  do.call(what = rbind)

处理完成后可以直接得到结构化的DataFrame，不会触发重复列报错，列名也能清晰区分entry本身属性和graphics子节点属性。

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