读取R中的XML文件，并在节点具有不同长度和内容时创建数据帧

我正在尝试从XML文件创建dataframe对象。这项任务似乎很简单，但经过多次尝试，我无法准确地提取出我想要的东西

原始数据来自这里：

基本上，文档有超过17K个同名节点，即“FICHES”。其中一个“子节点”是“集团能力”。“子节点”有另一个称为“BLOC_competencies”（区别是BLOC中的S），这个节点有两个我感兴趣的节点：CODE和LIBELLE

但是，并非所有“FICHES”都具有相同的属性和/或子节点。此外，其中一些有1个“集团能力”，有1个、2个、3个或根本没有要素

以下（以及其他帖子）我尝试提取根节点并使用xpath访问元素：

# Import the file after zip extraction
RNCP_aout2020 <- xmlParse("U:/RNCP_2020/Fiches-rncp-2020-08-03/export_fiches_RNCP_2020-08-03.xml", encoding = "UTF-8")

# Finding root node
rootNode <- xmlRoot(RNCP_aout2020)

BLOCS_COMPETENCES <- as.data.frame(xpathSApply(rootNode, '/FICHES/FICHE/BLOCS_COMPETENCES/BLOC_COMPETENCES/CODE', xmlValue))

#解压缩后导入文件
RNCP_aout2020可变数量的“集团能力”确实使问题复杂化。在下面的脚本中，解析出所有fiche节点，然后循环遍历每个节点以检索所需的代码和库。还需要检查零长度代码和诽谤。由于fiche的列表很长，lapply语句需要一段时间才能完成

library(xml2)
library(dplyr)

#read the document
page <- read_xml("export_fiches_RNCP_2020-08-03.xml")

#read all fiches nodes
fiches <- xml_find_all(page, "//FICHE")

#parse each fiches
dfs <-lapply(fiches, function(node){
   id <- node %>% xml_find_first(".//ID_FICHE")  %>% xml_text()
   codes <-  node %>% xml_find_all(".//BLOC_COMPETENCES/CODE") %>% xml_text()
   libelles <- node %>% xml_find_all(".//BLOC_COMPETENCES/LIBELLE")%>% xml_text()
   #correct for codes which don't exist
   if (length(codes) <1 ) {codes = NA}
   if (length(libelles) <1 ) {libelles = NA}

   df<- data.frame(id, codes, libelles, stringsAsFactors = FALSE)
})

#merge all of the data frames
answer <- bind_rows(dfs)

库（xml2）
图书馆（dplyr）
#阅读文件
页面%xml\u text（）
#对于不存在的代码正确
if（length（codes）考虑转换原始XML以提取所需的节点。然后，使用便利处理程序
xmlToDataFrame
，避免
for
或
apply
家族循环或
if
逻辑

作为一种独立的、可移植的行业语言，有许多方法可以运行XSLT1.0，包括通过其他语言（Java、Python、PHP）或使用R包
XSLT

XSLT（另存为.xsl文件，下面使用的一个特殊的.xml文件）

方法2（在名为style.xsl的文件中使用上述XSLT）

R+
xslt

library(XML)

setwd("...")
system("xsltproc -o transformed.xml style.xsl export_fiches_RNCP_2020-08-03.xml")

doc <- xmlParse("transformed.xml")
doc
# <FICHES>
#   <BLOC_COMPETENCES>
#     <ID_FICHE>3614</ID_FICHE>
#     <CODE>RNCP13004BC01</CODE>
#     <LIBELLE>Du dérushage au montage</LIBELLE>
#   </BLOC_COMPETENCES>
#   <BLOC_COMPETENCES>
#     <ID_FICHE>3614</ID_FICHE>
#     <CODE>RNCP13004BC02</CODE>
#     <LIBELLE>Analyser un projet cinématographique</LIBELLE>
#   </BLOC_COMPETENCES>
#   <BLOC_COMPETENCES>
#     <ID_FICHE>3614</ID_FICHE>
#     <CODE>RNCP13004BC03</CODE>
#     <LIBELLE>Tourner sur fond d'incrustation </LIBELLE>
#   </BLOC_COMPETENCES>
#   <BLOC_COMPETENCES>
#   ...

df <- xmlToDataFrame(doc)

library(xml2)
library(xslt)
library(XML)

# PARSE XML AND XSLT
doc <- read_xml('export_fiches_RNCP_2020-08-03.xml')
style <- read_xml('style.xsl', package = "xslt")

# TRANSFORM NESTED INPUT INTO FLATTER OUTPUT
new_xml <- as.character(xslt::xml_xslt(doc, style))

# PARSE FLATTER XML
flat_xml <- XML::xmlParse(new_xml, asText=TRUE)

# BUILD DATA FRAME
df <- xmlToDataFrame(doc)

库（xml2）
库（xslt）
库（XML）
#解析XML和XSLT
博士，非常感谢你的完整回答！但是，我必须承认，我对你在回答的第一部分中所说的内容并不太熟悉。有没有初学者指南（或者更好的是认证在线课程）您可能会推荐？我也很好奇您是如何获得JSS格式的示例或预览的。我尝试了您编写的代码，但遇到以下错误：在（函数（类，fdef，mtable）中出错：找不到用于签名的函数“xmlToDataFrame”“xml_document”“missing”“missing”“missing”“missing”的继承方法我忘了添加重要的说明：（另存为.xsl文件，一个特殊的.xml文件）。请参阅编辑。无需特殊课程。您可能听说过SQL，它是一种外部专用声明性语言，R可以运行它从关系数据库检索数据。XSLT也是一种外部专用声明性语言，R可以运行它进行转换（如展平）XML文件，使用特殊的XML文件来运行其代码。我在R中展示了两种方法：使用Unix机器（Mac/Linux）上可用的外部处理器还有一个包。注意：不需要循环，也不需要一个小时！我再次尝试了您的替代方案，因为另一个解决方案需要大量的时间，但我并没有真正让它发挥作用。无论如何，谢谢您。我希望它能帮助其他人。您无法安装
xslt
包（与
xml2
的姐妹）？错误是什么？你的帖子表明你有
XML
，并且接受了你的答案
xml2
。我让xslt包正常工作。我认为这与更新问题有关。无论如何，我确实听说过SQL，我知道什么是关系数据库，我知道我不需要循环来访问信息。我没有得到的是第一个你答案的一部分（以“非常感谢你的回答”开头的那部分！如果你不介意的话，我可以问一下这在你的机器上花了多少时间吗？我甚至尝试了并行代码（McLappy），但任务就是没有执行（等待了超过30mn）.这里有一些新闻。留一个小时左右，完成任务。效果很好！我将此标记为最终答案，因为它比另一个更适合我使用R的经验。我担心你会问这个问题。我的3.2 GHz Core i5大约需要20分钟。我不认为循环中的每个迭代都需要那么长的时间t只是大量迭代的一个例子，因此并行运行它可能不是一个真正的节省时间的方法。
library(XML)

setwd("...")
system("xsltproc -o transformed.xml style.xsl export_fiches_RNCP_2020-08-03.xml")

doc <- xmlParse("transformed.xml")
doc
# <FICHES>
#   <BLOC_COMPETENCES>
#     <ID_FICHE>3614</ID_FICHE>
#     <CODE>RNCP13004BC01</CODE>
#     <LIBELLE>Du dérushage au montage</LIBELLE>
#   </BLOC_COMPETENCES>
#   <BLOC_COMPETENCES>
#     <ID_FICHE>3614</ID_FICHE>
#     <CODE>RNCP13004BC02</CODE>
#     <LIBELLE>Analyser un projet cinématographique</LIBELLE>
#   </BLOC_COMPETENCES>
#   <BLOC_COMPETENCES>
#     <ID_FICHE>3614</ID_FICHE>
#     <CODE>RNCP13004BC03</CODE>
#     <LIBELLE>Tourner sur fond d'incrustation </LIBELLE>
#   </BLOC_COMPETENCES>
#   <BLOC_COMPETENCES>
#   ...

df <- xmlToDataFrame(doc)

library(xml2)
library(xslt)
library(XML)

# PARSE XML AND XSLT
doc <- read_xml('export_fiches_RNCP_2020-08-03.xml')
style <- read_xml('style.xsl', package = "xslt")

# TRANSFORM NESTED INPUT INTO FLATTER OUTPUT
new_xml <- as.character(xslt::xml_xslt(doc, style))

# PARSE FLATTER XML
flat_xml <- XML::xmlParse(new_xml, asText=TRUE)

# BUILD DATA FRAME
df <- xmlToDataFrame(doc)