1

我有很多非常大（> 10GB）的xml文件，格式如下：

<?xml version="1.0" encoding="UTF-8"?> 
<records xmlns="http://website”&gt;
<REC rid=“this is a test”&gt;
    <UID>ABCD123</UID>
    <data_1>
        <fullrecord_metadata>
            <references count=“2”&gt;
                <reference>
                    <uid>ABCD2345</uid>
                </reference>
                <reference>
                    <uid>ABCD3456</uid>
                </reference>
            </references>
        </fullrecord_metadata>
    </data_1>
</REC>
<REC rid=“this is a test”&gt;
    <UID>XYZ0987</UID>
    <data_1>
        <fullrecord_metadata>
            <references count=“N”&gt;
            </references>
        </fullrecord_metadata>
    </data_1>
</REC>
</records>

目标是创建如下数据集：

str_UID    str_ref      str_tot
ABCD123    ABCD2345     2
ABCD123    ABCD3456     2
XYZ0987    NULL         N

其中所有变量都是字符串。

棘手的部分是提取“2”和“N”，将它们保存为字符串。

从上一篇文章（链接）中，我能够使用以下代码生成前两行，该代码依赖 xmlEventParse 直接通过 xpathSApply 读取元素，而无需将 xml 文件加载到内存（这对于完整数据不可行） ：

 uid_traverse <- function() {
 uids <- ""
 refs <- "" 

 REC <- function(x) {
  uid <- xpathSApply(x, "//UID", xmlValue)
  ref <- xpathSApply(x, "//reference/uid", xmlValue)

  if (length(uid) > 0) {
   if (length(var) == 0) {
    uids <<- c(uids, uid)
    refs <<- c(refs, NA_character_)
   } else {
   uids <<- c(uids, rep(uid, length(ref)))
   refs <<- c(refs, ref)
   } 
  } 
 }

 list(
  REC = REC, 
  uid_df = function() { 
  data.frame(uid = uids, ref = refs, stringsAsFactors = FALSE)
  }
 )
}
 uid_f <- uid_traverse()
 invisible(
 xmlEventParse(
 file = path.expand(url), 
 branches = uid_f["REC"])
)
DF <- do.call(cbind.data.frame, uid_f$uid_df())

但是，由于我感兴趣的数据——这里的“2”和“N”——包含在标签括号 <> 中，我不知道如何修改 xpathSApply 或 xmlEventParse 来提取这些字符串。

注意：真正的数据设置是这些值不仅仅是子元素中包含的信息的计数，而是标识码，所以我必须直接提取它们，而不是从子元素的数量等中推断出来。

4

0 回答 0