如何在 R 中融合 XML 数据中特定类型的节点？答案

【问题标题】：How to fuse a specific type of nodes in XML data in R?如何在 R 中融合 XML 数据中特定类型的节点？
【发布时间】：2013-07-02 18:10:21
【问题描述】：

我有一本书的 XML 文件。主树具有 Body/Pagecolumn/Region/Paragraph/Line/Word 级别。但是，我对 Line 级别不感兴趣。有什么方法可以融合 Line 级别而不破坏 R 中使用 XML 包或任何其他包的 Word 级别？转换后，主树为Body/Pagecolumn/Region/Paragraph/Word

下面提供了 XML 数据的示例：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE DjVuXML>
<DjVuXML>
<BODY>
<OBJECT data="file://localhost//book1.djvu" height="1650" type="image/x.djvu" usemap="book1.djvu" width="1275">
<PARAM name="PAGE" value="book1_001.djvu"/>
<PARAM name="DPI" value="300"/>
<HIDDENTEXT>
<PAGECOLUMN>
<REGION>
<PARAGRAPH>
<LINE>
<WORD coords="1,2,3,4,5">Title</WORD>
</LINE>
</PARAGRAPH>
</REGION>
</PAGECOLUMN>
<PAGECOLUMN>
<REGION>
<PARAGRAPH>
<LINE>
<WORD coords="30,564,90,545,559">This</WORD>
<WORD coords="97,559,109,545,559">is</WORD>
<WORD coords="115,564,162,545,559">a</WORD>
</LINE>
</PARAGRAPH>
<PARAGRAPH>
<LINE>
<WORD coords="30,589,80,570,584">First</WORD>
<WORD coords="88,584,115,570,584">line</WORD>
<WORD coords="123,584,146,574,584">is</WORD>
</LINE>
<LINE>
<WORD coords="30,614,90,598,609">Second</WORD>
<WORD coords="97,609,143,595,609">line</WORD>
<WORD coords="148,614,168,595,609">is</WORD>
</LINE>
<LINE>
<WORD coords="30,640,56,626,640">Third</WORD>
<WORD coords="63,640,95,626,640">line</WORD>
<WORD coords="101,640,128,626,640">is</WORD>
</LINE>
</PARAGRAPH>
</REGION>
</PAGECOLUMN>
</HIDDENTEXT>
</OBJECT>
<MAP name="book1.djvu"/>
</BODY>
</DjVuXML>

谢谢。

【问题讨论】：

标签： xml r merge word paragraph

【解决方案1】：

我喜欢简单的正则表达式解决方案，在这种情况下，它们可能是要走的路。通常使用XML，我们希望使用XSLT。这是一种用于转换XML 的语言。有一个 R 包 Sxslt 可用于转换 XML。这个想法是定义2个模板：

第一个模板是所谓的恒等变换。这会复制所有属性和节点。如果特定元素有更相关的模板，xslt 将使用该模板。
然后我们声明了一个与 LINE 更相关的模板。这无济于事。因此，对于除 LINE 之外的所有节点和属性，转换都会执行复制。

这里是我的代码：

# install package if needed
# install.packages('Sxslt', repos = "http://www.omegahat.org/R")
require(Sxslt)
# define a transformation
sltTemp <- '<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
version="1.0">
 <xsl:template match="@* | node()">
   <xsl:copy>
     <xsl:apply-templates select="@* | node()"/>
   </xsl:copy>
</xsl:template>

<xsl:template match="LINE">
   <xsl:apply-templates/>
</xsl:template>

</xsl:stylesheet>'

# assume your XML is text variable named xdata
# you can also work on a parsed file if you like
# xD <- xmlParse(xdata)
# xsltApplyStyleSheet(xD, sltTemp)
# gives same result

require(XML)
newxdata <- saveXML(xsltApplyStyleSheet(xdata, sltTemp))
xmlParse(newxdata)
<?xml version="1.0"?>
<DjVuXML>
  <BODY>
    <OBJECT data="file://localhost//book1.djvu" height="1650" type="image/x.djvu" usemap="book1.djvu" width="1275">
      <PARAM name="PAGE" value="book1_001.djvu"/>
      <PARAM name="DPI" value="300"/>
      <HIDDENTEXT>
        <PAGECOLUMN>
          <REGION>
            <PARAGRAPH>
              <WORD coords="1,2,3,4,5">Title</WORD>
            </PARAGRAPH>
          </REGION>
        </PAGECOLUMN>
        <PAGECOLUMN>
          <REGION>
            <PARAGRAPH>
              <WORD coords="30,290,65,276,290">This</WORD>
              <WORD coords="73,290,84,276,290">is</WORD>
              <WORD coords="92,290,100,280,290">a</WORD>
            </PARAGRAPH>
            <PARAGRAPH>
              <WORD coords="30,290,65,276,290">First</WORD>
              <WORD coords="73,290,84,276,290">line</WORD>
              <WORD coords="92,290,100,280,290">is</WORD>
              <WORD coords="30,290,65,276,290">Second</WORD>
              <WORD coords="73,290,84,276,290">line</WORD>
              <WORD coords="92,290,100,280,290">is</WORD>
              <WORD coords="30,290,65,276,290">Third</WORD>
              <WORD coords="73,290,84,276,290">line</WORD>
              <WORD coords="92,290,100,280,290">is</WORD>
            </PARAGRAPH>
          </REGION>
        </PAGECOLUMN>
      </HIDDENTEXT>
    </OBJECT>
    <MAP name="book1.djvu"/>
  </BODY>
</DjVuXML>

【讨论】：

谢谢！看起来很棒！几个问题，我不能为 windows 安装它，我需要从源代码编译它吗？如果我理解你的代码，在这种情况下，代码是否仍然适用于这种转换<xsl:apply-templates select="node()"/>，我的意思是没有@*？
不幸的是，我认为没有可用的 Windows 版本。第一个模板是所谓的恒等变换en.wikipedia.org/wiki/Identity_transform。这会复制所有属性和节点。如果特定元素有更相关的模板，xslt 将使用该模板。我们声明了一个与 LINE 更相关的模板。这无济于事。因此，对于除 LINE 之外的所有节点和属性，转换都会执行复制。结果是原始 XML 减去 LINE 部分。
谢谢。我也在 Windows 上使用 R。我尝试使用 RStudio 从源代码安装，但出现此错误：请定义 LIB_XSLT。
我在 Linux 系统上试了一下，效果很好！我希望能解决 Windows 安装问题。
@user1609452 我只是编辑以在评论中添加您出色的解释。

【解决方案2】：

正确的方法是使用xml 包并进行节点融合。

但是，对于您提供的示例 xml，您可能可以使用简单的 gsub（查找和替换）。

类似的东西：

xmlfile <- readLines("test.xml")
newfile <- gsub("<LINE>|</LINE>", "", xmlfile)

然后从那里出发。

【讨论】：

谢谢。不过，我会再等一会儿，看看是否还会出现模块化解决方案。

【解决方案3】：

使用grepl 删除所有行的类似解决方案：

ll <- readLines(textConnection(txt))
ll <- ll[!grepl("<LINE>|</LINE>" ,ll)]
txt <- paste(ll, "\n", collapse="")
xmlParse(txt,asText=TRUE)

【讨论】：