0

我被要求帮助解析赛门铁克应用程序 (Altiris) 的一些日志文件，它们以伪 HTML/XML 格式交付给我。我已经设法使用readLines()并将grepl()日志转换为体面的字符向量格式并清除垃圾，但无法将其放入数据帧。

截至目前，一个条目看起来像这样（因为我不能发布真实数据），所有这些都在一个具有结构的字符向量中chr[1:312]：

[310] "<severity='4', hostname='computername125', source='PackageDownload', module='herpderp.dll', process='masterP.exe', pid='234' >"

我在 XML 解析方面没有运气，它在我看来更像是 HTML，当我尝试时，htmlTreeParse(x)我最终得到了一个巨大的标签金字塔。

4

1 回答 1

1

如果您使用的是伪 XML，最好自己定义解析规则。我喜欢stringr和dplyr喜欢这样的东西。

这是一个二元素向量（在您的情况下不是 312）：

vec <- c(
  "<severity='4', hostname='computername125', source='PackageDownload', module='herpderp.dll', process='masterP.exe', pid='234' >",
  "<severity='5', hostname='computername126', source='PackageDownload', module='herpderp.dll', process='masterP.exe', pid='235' >"
)

将其转换为data.frame对象：

df <- data.frame(vec, stringsAsFactors = FALSE)

并根据他们的字符索引位置选择你的数据，相对于你感兴趣的变量的位置：

require(stringr)
require(dplyr)

df %>%
  mutate(
    severityStr = str_locate(vec, "severity")[, "start"],
    hostnameStr = str_locate(vec, "hostname")[, "start"],
    sourceStr = str_locate(vec, "source")[, "start"],
    moduleStr = str_locate(vec, "module")[, "start"],
    processStr = str_locate(vec, "process")[, "start"],
    pidStr = str_locate(vec, "pid")[, "start"],
    endStr = str_locate(vec, ">")[, "start"],
    severity = substr(vec, severityStr + 10, hostnameStr - 4),
    hostname = substr(vec, hostnameStr + 10, sourceStr - 4),
    source = substr(vec, sourceStr + 8, moduleStr - 4),
    module = substr(vec, moduleStr + 8, processStr - 4),
    process = substr(vec, processStr + 9, pidStr - 4),
    pid = substr(vec, pidStr + 5, endStr - 3)) %>%
  select(severity, hostname, source, module, process, pid)

这是生成的数据框：

  severity        hostname          source       module     process pid
1        4 computername125 PackageDownload herpderp.dll masterP.exe 234
2        5 computername126 PackageDownload herpderp.dll masterP.exe 235

该解决方案足够强大，可以处理不同长度的字符串输入。例如，pid即使它是95（两位而不是三位），它也会正确读取。

于 2014-08-06T20:49:23.597 回答