4

我有一大堆xml-files，我需要处理它们。为此，我希望能够读取文件，并将生成的对象列表保存到磁盘。我尝试用 保存列表readr::write_rds，但再次读入后，该对象有所修改，不再有效。我能做些什么来缓解这个问题吗？

library(readr)
library(xml2)

x <- read_xml("<foo>
              <bar>text <baz id = 'a' /></bar>
              <bar>2</bar>
              <baz id = 'b' />
              </foo>")

# function to save and read object
roundtrip <- function(obj) {
  tf <- tempfile()
  on.exit(unlink(tf))

  write_rds(obj, tf)
  read_rds(tf)
}

list(x)
#> [[1]]
#> {xml_document}
#> <foo>
#> [1] <bar>text <baz id="a"/></bar>
#> [2] <bar>2</bar>
#> [3] <baz id="b"/>
roundtrip(list(x))
#> [[1]]
#> {xml_document}

identical(x, roundtrip(x))
#> [1] FALSE
all.equal(x, roundtrip(x))
#> [1] TRUE
xml_children(roundtrip(x))
#> Error in fun(x$node, ...): external pointer is not valid
as_list(roundtrip(x))
#> Error in fun(x$node, ...): external pointer is not valid

一些上下文

我有大约 500,000 个 xml 文件。为了处理它们，我计划将它们变成一个列表，xml2::as_list并编写代码来提取我需要的内容。后来我意识到，as_list运行起来非常昂贵。我可以：

  1. 重新编写已经仔细调试过的代码以直接解析数据（xml_child, xml_text, ...），或者
  2. 使用as_list.

为了加快没有。2 我可以在具有更多内核的另一台机器上运行它，但我想将单个文件传递给该机器，因为收集和复制所有文件非常耗时。

4

1 回答 1

4

xml2对象具有在您天真地序列化它们时变得无效的外部指针。该包提供xml_serialize()和xml_unserialize()对象来为您处理这个问题。不幸的是，API 有点麻烦，因为base::serialize()假设base::unserialize()连接是开放的。


library(xml2)

x <- read_xml("<foo>
              <bar>text <baz id = 'a' /></bar>
              <bar>2</bar>
              <baz id = 'b' />
              </foo>")

# function to save and read object
roundtrip <- function(obj) {
  tf <- tempfile()
  con <- file(tf, "wb")
  on.exit(unlink(tf))

  xml_serialize(obj, con)
  close(con)
  con <- file(tf, "rb")
  on.exit(close(con), add = TRUE)
  xml_unserialize(con)
}
x
#> {xml_document}
#> <foo>
#> [1] <bar>text <baz id="a"/></bar>
#> [2] <bar>2</bar>
#> [3] <baz id="b"/>
(y <- roundtrip(x))
#> {xml_document}
#> <foo>
#> [1] <bar>text <baz id="a"/></bar>
#> [2] <bar>2</bar>
#> [3] <baz id="b"/>

identical(x, y)
#> [1] FALSE
all.equal(x, y)
#> [1] TRUE
xml_children(y)
#> {xml_nodeset (3)}
#> [1] <bar>text <baz id="a"/></bar>
#> [2] <bar>2</bar>
#> [3] <baz id="b"/>
as_list(y)
#> $bar
#> $bar[[1]]
#> [1] "text "
#> 
#> $bar$baz
#> list()
#> attr(,"id")
#> [1] "a"
#> 
#> 
#> $bar
#> $bar[[1]]
#> [1] "2"
#> 
#> 
#> $baz
#> list()
#> attr(,"id")
#> [1] "b"

同样关于您问题的第二部分，即使您必须重写代码，我也会认真考虑使用 XPATH 表达式来提取所需的数据。

于 2017-05-19T20:45:59.873 回答