lapply 在 xml 对象列表上答案

【问题标题】：lapply on list of xml objectslapply 在 xml 对象列表上
【发布时间】：2016-09-08 05:18:42
【问题描述】：

这是我第一次发帖，如有错误请见谅

我正在尝试从 pubmed 读取 xml 数据，以提取有关作者隶属关系的数据

每个条目都包含一组节点，如下所示：

<AuthorList>
          <Author>
            <LastName>Serra-Blasco</LastName>
            <ForeName>Maria</ForeName>
            <Initials>M</Initials>
            <AffiliationInfo>
              <Affiliation>Department of Psychiatry, Hospital de la Santa Creu i Sant Pau, Biomedical Research Institute Sant Pau (IIB Sant Pau), Universitat AutÃ²noma de Barcelona (UAB), Centro de InvestigaciÃ³n BiomÃ©dica en Red de Salud Mental (CIBERSAM), Barcelona, Catalonia, Spain.</Affiliation>
            </AffiliationInfo>
          </Author>
          ...

我想最终得到一个数据框，其中连续包含每个作者的姓名和所属机构。

我尝试使用 xpathSApply 来解析读取“//Author”的节点，并最终得到一个 xml 节点列表。

进一步解析被证明是一个问题：我已经编写了适用于该列表的单个元素的代码；

例如，如果列表是authorlist

我可以使用这个函数（在元素中使用 xpathSApply）为authorlist[[1]] 提取一个合适的数组

但是当我尝试围绕这个函数包装 lapply 时，它给了我一个错误，说它不能在列表上执行 xpathApply。确切的错误调用是：

UseMethod("xpathApply") 中的错误：没有适用的方法 'xpathApply' 应用于“list”类的对象

我推测 lapply 用 [i] 的等价物调用列表子集，而我需要的是 [[i]]。有没有解决的办法？还是我必须考虑一些其他规则来重写？

我愿意重写（这只是我正在做的一些玩笑）但是这个问题看起来很有趣，希望你能提供帮助！

【问题讨论】：

标签： xml r subset lapply

【解决方案1】：

在处理 html/xml 文件时，我更喜欢使用 rvest 包。根据您的简单示例：

library(rvest)
myxml<-read_xml("author.xml")

lastname<-xml_text(xml_nodes(myxml,"LastName"))
firstname<-xml_text(xml_nodes(myxml,"ForeName"))
affiliation<-xml_text(xml_nodes(myxml,"Affiliation"))
df<-data.frame(firstname, lastname, affiliation)

如果 xml 文件的结构发生变化，那么调用 data.frame 命令将出错，并且需要一些额外的工作才能正确解析文件。

【讨论】：

非常感谢！将探索这个包，看起来它会解决我的直接问题......但是还有没有办法解决我似乎遇到的更普遍的 lapply 问题？我不确定这是否会发生，除非有人使用这种特殊结构......
xml_nodes 将返回一个向量，其中包含具有该标记的所有节点。如果结构一致，则不需要使用 lapply。有关示例，请参阅与 rvest 和 xml2 包相关的文档。

【解决方案2】：

这将有助于显示产生错误的代码，但您可以尝试xmlToDataFrame

url <- "http://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=pubmed&id=23620451&rettype=XML"
doc <- xmlParse(url)

xmlToDataFrame(doc["//Author"])
           LastName ForeName Initials                   AffiliationInfo
1      Serra-Blasco    Maria        M Department of Psychiatry...Spain.
2          Portella  Maria J       MJ                              <NA>
3       Gómez-Ansón  Beatriz        B                              <NA>
...

如果你得到的节点有零个或多个标签，我通常会创建一个函数来将缺少的标签设置为 NA 和一个用于连接多个标签的分隔符。

authors <- getNodeSet(doc, "//Author")

xpath2 <-function(x, path){
     y <- xpathSApply(x, path, xmlValue)
     ifelse(length(y)==0, NA, 
        ifelse(length(y)>1, paste(y, collapse=", "), y))
}

last <- sapply(authors, xpath2, ".//LastName")
aff <- sapply(authors, xpath2, ".//Affiliation")
data.frame(last, aff)
               last                               aff
1      Serra-Blasco Department of Psychiatry...Spain.
2          Portella                              <NA>
3       Gómez-Ansón                              <NA>

【讨论】：