0

我在 R 中使用 xml2 包来提取具有相同类名的某些节点。我正在尝试提取出现在 xml 中的“角色”和“公司”标签下方的开始日期和结束日期（都有类名“日期”）。但是还有其他与我不需要的培训相关的日期标签。此外，格式因 xml 而异。是否有任何功能可以帮助我选择每个角色标签后面的日期标签？下面是xml片段：

<span class="work-hist-mark" id="57" inprof="n">CAREER HISTORY:</span>
No Company Position Years * 
<span class="company" id="58" inprof="y">Nasioncom</span>
<span class="role" id="59_1" inprof="y">Helpdesk</span>
1st level 
<span class="date" id="60_1" inprof="y">Jan 1999</span>
- 
<span class="date" id="60_2" inprof="y">June 2000</span>
* 
<span class="role" id="61_1_1" inprof="y">Komputer Sistem System Engineer</span>
<span class="date" id="61_2_1" inprof="y">June 2000</span>
- 
<span class="date" id="61_2_2" inprof="y">Oct 2003</span>
* 
<span class="role" id="62_1_1" inprof="y">Servicesoft Network Engineer</span>
<span class="date" id="62_2_1" inprof="y">Oct 2003</span>
- 
<span class="date" id="62_2_2" inprof="y">June 2006</span>
* 
<span class="company" id="63_1" inprof="y">EDS</span>
<span class="role" id="63_2_1" inprof="y">Infrastructure Associate</span>
<span class="date" id="63_3_1" inprof="y">July</span>
- 
<span class="date" id="63_3_2" inprof="y">Nov 2006</span>
* 
<span class="company" id="64_1" inprof="y">Atos Origin</span>
<span class="role" id="64_2_1" inprof="y">Technical Specialist</span>
<span class="date" id="64_3_1" inprof="y">Nov 2006</span>
- 
<span class="date" id="64_3_2" inprof="y">Nov 2008</span>
* 
<span class="company" id="65" inprof="y">Hewlett Packard</span>
<span class="role" id="66_1" inprof="y">Wintel Server Specialist</span>
Level 3 
<span class="date" id="67_1" inprof="y">Nov 2008</span>
to 
<span class="date" id="67_2" inprof="y">present</span>
TRAINING ATTENDED: 
<span class="date" id="68" inprof="y">2001</span>
<span class="sofwr" id="69" inprof="y">HP</span>
& 
<span class="sofwr" id="70" inprof="y">Compaq Proliant server</span>
series 
<span class="date" id="71_1_1" inprof="y">2003</span>
/
<span class="date" id="71_1_2" inprof="y">05</span>
<span class="role" id="71_2_1" inprof="y">Sophos Antivirus Technical Consultant</span>
<span class="company" id="71_3" inprof="y">Mail Monitor SMTP</span>
<span class="location" id="71_4" inprof="y">Pure</span>
Message for 
<span class="sofwr" id="72" inprof="y">Exchange</span>
or 
<span class="sofwr" id="73" inprof="y">UNIX</span>
(antivirus + antispam) SAV Integrated (http web scanning) Remote Update (design for mobile user) Sophos in multiple platforms (open source eg: 
<span class="sofwr" id="74" inprof="y">UNIX</span>
, 
<span class="sofwr" id="75" inprof="y">Linux</span>
, 
<span class="sofwr" id="76" inprof="y">Mac9 &10</span>
, 
<span class="sofwr" id="77" inprof="y">FreeBSD</span>
) 
<span class="company" id="78" inprof="n">Small Business Enterprise</span>
<span class="date" id="79" inprof="y">2005</span>
Watchguard X500/ X2500 Add-on: 
<span class="company" id="80" inprof="y">GatewayAV, Weblocker & Spam</span>
screen 
<span class="date" id="81" inprof="n">2007</span>
<span class="sofwr" id="82" inprof="y">Microsoft Windows Vista</span>
Install, configuring and managing 
<span class="sofwr" id="83" inprof="y">Windows Vista</span>

4

1 回答 1

0

这很有趣，因为数据很脏（例如，有些日期只是年份，有些是月份的前三个字母与年份和整月相连接）。

我不确定您将如何选择处理脏数据组件，但您正在寻找 readr包，特别是parse_date命令。

这是一个例子。假设我有一个字符串，上面写着“Jan foo 05, 2016 bar”，我想要数据中的 datetime 对象。

library(readr)
df1 <- "Jan foo 05, 2016 bar"
parse_date(df1, "%b foo %d, %Y bar")

[1] "2016-01-05"

你需要采取同样的方法。我建议将每一行存储为观察，然后将您的观察过滤到仅出现日期的位置。从那里您可以使用与我所做的相同的方法来使用 parse_date。因为您的日期格式不同，您需要一个函数、if/else 或其他类型的处理程序来适应数据的差异。

对于过滤组件，您可以使用来自 dyplr 的 filter 命令，使用此线程中提到的方法。

说得通？祝你好运！

于 2017-08-12T16:13:50.950 回答