xml - 合并巨大的 XML 文件中的值

Question

我需要在一些巨大的 XML 文件中查找和组合信息(doc <- xmlInternalTreeParse(file.name, useInternalNodes=TRUE, trim=TRUE) 导致我的 16GB 计算机在完成之前开始交换到磁盘)，并遵循关于 http://www.omegahat.org/RSXML/Overview.html 的良好说明.

从那里添加到示例中，这或多或少是我的文件的样子:

<?xml version="1.0" ?>
<TABLE>
  <SCHOOL>
    <NAME> School1 </NAME>
    <GRADES>
      <STUDENT> Fred </STUDENT>
      <TEST1> 66 </TEST1>
      <TEST2> 80 </TEST2>
      <FINAL> 70 </FINAL>
    </GRADES>
    <TEAMS>
      <SOCCER> SoccerTeam1 </SOCCER>
      <HOCKEY> HockeyTeam1 </HOCKEY>
    </TEAMS>
  </SCHOOL>
  <SCHOOL>
    <NAME> School2 </NAME>
    <GRADES>
      <STUDENT> Wilma </STUDENT>
      <TEST1> 97 </TEST1>
      <TEST2> 91 </TEST2>
      <FINAL> 98 </FINAL>
    </GRADES>
    <TEAMS>
      <SOCCER> SoccerTeam2 </SOCCER>
    </TEAMS>
  </SCHOOL>
</TABLE>

我需要列出每个学校的学生以及曲棍球队和球队名称。示例中想要的输出应该是“Fred”、“HockeyTeam1”、“School1”。真实的例子有成千上万的“学校”、“曲棍球队”和“球员”。

如何使用 xmlEventParse 解析文件以提取信息？我试图从文件中提取所有文本字段，但在等待数小时后仍然没有输出。注意:真正的文件比这更嵌套，所以不能一步固定级别来查找信息。

Answer 1

我们将使用 XML 包

library(XML)

并创建一个包含处理“SCHOOL”节点的函数的闭包，以及两个用于在完成时检索结果的辅助函数。在每个 SCHOOL 节点上调用 SCHOOL 函数。如果找到曲棍球队，它会使用/SCHOOL/NAME/text() 作为“键”，并使用/SCHOOL/TEAMS/HOCKEY/text() 和//STUDENT/text() (或/SCHOOL/GRADES/STUDENT/text()) 作为值。每 100 所(默认)拥有曲棍球队的学校都会打印一条消息，以便显示一些进展情况。 “get”函数用于事后检索结果。

teams <- function(progress=1000) {
    res <- new.env(parent=emptyenv())   # for results
    it <- 0L                            # iterator -- nodes visited
    list(SCHOOL=function(elt) {
        ## handle 'SCHOOL' nodes 
        if (getNodeSet(elt, "not(/SCHOOL/TEAMS/HOCKEY)"))
            ## early exit -- no hockey team
            return(NULL)
        it <<- it + 1L
        if (it %% progress == 0L)
            message(it)
        school <- getNodeSet(elt, "string(/SCHOOL/NAME/text())") # 'key'
        res[[school]] <-
            list(team=getNodeSet(elt,
                   "normalize-space(/SCHOOL/TEAMS/HOCKEY/text())"),
                 students= xpathSApply(elt, "//STUDENT", xmlValue))
    }, getres = function() {
        ## retrieve the 'res' environment when done
        res
    }, get=function() {
        ## retrieve 'res' environment as data.frame
        school <- ls(res)
        team <- unlist(eapply(res, "[[", "team"), use.names=FALSE)
        student <- eapply(res, "[[", "students")
        len <- sapply(student, length)
        data.frame(school=rep(school, len), team=rep(team, len),
                   student=unlist(student, use.names=FALSE))
    })
}

我们使用函数作为

branches <- teams()
xmlEventParse("event.xml", handlers=NULL, branches=branches)
branches$get()