如何使用R解析多层嵌套XML并提取BusNm及地址数据存入dataframe
嵌套结构XML属性提取并生成数据框实现方案
提取失败的核心原因
你之前用XML、xml2包提取不到任何内容,本质是混淆了节点文本和节点属性的区别:
- 你需要的
BusNm、地址字段全部是XML节点的属性值,也就是写在标签尖括号内部、以属性名="值"形式存在的内容 - 网上很多示例默认用
xml_text()/xmlValue()提取节点包裹的文本内容,针对你提供的这种自闭合、无内嵌文本、仅存属性的节点,用这类方法自然会返回空值。
可直接复用的实现代码(基于xml2包)
1. 依赖安装与加载
# 首次使用执行安装 install.packages("xml2") library(xml2)
2. 读入XML文件
匹配示例文件标注的ISO-8859-1编码,避免特殊字符乱码:
# 替换为你本地XML文件的实际路径 xml_content <- read_xml("你的SEC报告文件.xml", encoding = "ISO-8859-1")
3. 定位数据单元
所有企业信息都嵌套在<Firm>节点下,先批量定位全部Firm节点,作为每一行数据的提取基准,不受上层深层嵌套结构影响:
# 递归匹配全文档下所有Firm节点 firm_node_list <- xml_find_all(xml_content, ".//Firm")
4. 批量提取目标属性生成数据框
逐节点定位对应子节点、提取属性值,自闭合空节点提取时会自动返回NA,不需要额外做空值兼容:
result_df <- data.frame( # 从Info节点提取业务名称 BusNm = xml_attr(xml_find_first(firm_node_list, "./Info"), "BusNm"), # 从MainAddr节点提取全量地址信息 Strt1 = xml_attr(xml_find_first(firm_node_list, "./MainAddr"), "Strt1"), Strt2 = xml_attr(xml_find_first(firm_node_list, "./MainAddr"), "Strt2"), City = xml_attr(xml_find_first(firm_node_list, "./MainAddr"), "City"), State = xml_attr(xml_find_first(firm_node_list, "./MainAddr"), "State"), Cntry = xml_attr(xml_find_first(firm_node_list, "./MainAddr"), "Cntry"), PostlCd = xml_attr(xml_find_first(firm_node_list, "./MainAddr"), "PostlCd"), PhNb = xml_attr(xml_find_first(firm_node_list, "./MainAddr"), "PhNb"), stringsAsFactors = FALSE )
常见避坑提示
- XPath路径使用相对路径(以
./开头,从当前Firm节点出发查找子节点),不要写从根节点开始的绝对路径,避免嵌套层级变动导致匹配失败 - 提取属性值必须使用
xml_attr()方法,不要混用提取节点文本的xml_text() - 针对自闭合的空节点(比如示例中的
<MailingAddr/>),提取属性时自动返回空值,不需要额外判断节点是否存在
内容的提问来源于stack exchange,提问作者Marianne
相关产品推荐
相关产品推荐

