R语言将data.frame内XML列多节点拆分生成宽表的方法咨询

整体思路：逐行解析XML列内容，提取每行内所有CD节点的目标字段，再将嵌套结果展开为符合要求的长表。

依赖包准备 #

用到xml2做XML解析，dplyr/tidyr/purrr做数据框操作，未安装先运行：

install.packages(c("xml2", "dplyr", "tidyr", "purrr"))

加载包：

library(xml2)
library(dplyr)
library(tidyr)
library(purrr)

分步处理代码 #

1. 先清理XML列的无效残留标签（示例中第二个XML单元格末尾多了闭合标签</CATALOG>，会导致解析报错），再补充统一根标签：

Sample_df <- Sample_df %>%
  # 清理无效残留标签，你可以根据实际脏数据调整正则规则
  mutate(XML_col = gsub("</CATALOG>", "", XML_col)) %>%
  # 补充统一根标签
  mutate(XML_col = paste0("<Data>", XML_col, "</Data>"))

2. 逐行解析XML，提取CD节点的字段后展开为长表：

final_df <- Sample_df %>%
  # 逐行处理XML文本，生成嵌套列表列，每个元素是该行所有CD的字段小表
  mutate(cd_list = map(XML_col, ~ {
    # 解析当前行的XML文本
    xml_doc <- read_xml(.x)
    # 提取当前行下所有CD节点
    cd_nodes <- xml_find_all(xml_doc, "//CD")
    # 提取每个CD节点的TITLE、ARTIST文本，整理为小数据框
    tibble(
      TITLE = xml_text(xml_find_first(cd_nodes, "TITLE")),
      ARTIST = xml_text(xml_find_first(cd_nodes, "ARTIST"))
    )
  })) %>%
  # 展开嵌套列，每个CD自动生成一行，保留原有列
  unnest(cd_list) %>%
  # 可选：删除原XML列，不需要保留可以运行这行
  select(-XML_col)

结果说明 #

运行完成后final_df即为4行4列的目标结构，包含原有label_col、number_col，以及新增的TITLE、ARTIST字段。
该逻辑支持单元格内CD数量动态变化，无需提前指定CD个数，适配不同行数的同类场景。

内容的提问来源于stack exchange，提问作者SteveG