xml - 在 R 中是否有更好的方法来完成这个 XML 抓取任务?

标签 xml r xpath web-scraping

我有一些如下所示的 XML:

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE plist PUBLIC "-//Apple Computer//DTD PLIST 1.0//EN" "http://www.apple.com/DTDs/PropertyList-1.0.dtd">
<plist version="1.0">
<array>
    <dict>
    <key>bbox.NE.lat</key>
    <string>-27.45433</string>
    <key>bbox.NE.lon</key>
    <string>153.01474</string>
    <key>bbox.SW.lat</key>
    <string>-27.45706</string>
    <key>bbox.SW.lon</key>
    <string>153.01239</string>
    <key>crs</key>
    <string>EPSG 4326</string>
    <key>found</key>
    <string>1</string>
</dict>
<array>
    <dict>
        <key>bbox</key>
        <dict>
            <key>bbox.NE.lat</key>
            <string>-27.45433</string>
            <key>bbox.NE.lon</key>
            <string>153.01474</string>
            <key>bbox.SW.lat</key>
            <string>-27.45706</string>
            <key>bbox.SW.lon</key>
            <string>153.01239</string>
        </dict>
        <key>centroid</key>
        <dict>
            <key>lat</key>
            <dict>
                <key>lat</key>
                <string>-27.45513</string>
                <key>lon</key>
                <string>153.0137</string>
            </dict>
        </dict>
        <key>id</key>
        <string>33037721</string>
        <key>properties</key>
        <dict>
            <key>amenity</key>
            <string>university</string>
            <key>name</key>
            <string>Queensland University of Technology</string>
            <key>osm_element</key>
            <string>way</string>
            <key>osm_id</key>
            <string>26303436</string>
        </dict>
    </dict>
</array>
</array>
</plist>

为了重现性,我用循环获取了 XML:

# initialize the vector
queries<-(0)
# loop over coordinates - signups$latlong is just a vector of coordinates
# signups$latlong[1] = "51.5130004883%20-0.1230000034 
# the space between lat & long is URL encoded
for(i in 1:length(signups$latlong)){
#self-imposed rate-limiting
Sys.sleep(0.05)
# if query returns an error, write NA and move on, also output to console so I can keep an eye on it
if(class(try(queries[i]<- getURL(paste("http://geocoding.cloudmade.com/[API KEY HERE]/geocoding/v2/find.plist?object_type=university&around=",signups$latlong[i],"&results=5&distance=closest", sep="")), silent=T))=="try-error")
  {
    queries[i]<-NA
    print("NA")
    print(i)
    }
  # just a progress indicator
  else(print(i))
}

我就在大学的名字之后。我对 XML 不太了解,但我发现这是可行的:

pagetree<-(0)
for (i in 1:length(queries)){
  plist<-xmlTreeParse(queries[i])$doc$children$plist
  nodes<-getNodeSet(plist, "//array//array//dict")
  if(class(try(pagetree[i]<-xmlValue(nodes[[5]][[4]]), silent = T))=="try-error") pagetree[i]<-NA
}

但是,我看到提到了 xmlXPathApply(),我想知道是否无法重写解析循环来使用它。

我陷入困境的是,我不知道如何为我想要的部分编写 XPath,因为有多个同名节点。

不要犹豫,提出更好的错误处理方法。

最佳答案

修复 xml 后...

用xpath遍历这个的方法是:

> plist = xmlParse('data.xml')
> xpathSApply(plist, '/plist/array/dict/dict/string', xmlValue)
[1] "-27.45433"                           "153.01474"                          
[3] "-27.45706"                           "153.01239"                          
[5] "university"                          "Queensland University of Technology"
[7] "way"                                 "26303436" 

您可以像平常一样对输出进行索引。

但是,如果节点具有属性,例如 <string type='uniname">...</string> ,那么你可以使用漂亮的“@”语法,例如:

> xpathSApply(plist, '/plist/array/dict/dict/string[@type='uniname']', xmlValue)

另一种可能更适合此 plist 格式的方法是:

> sapply(getNodeSet(plist, '//key[text() = "name"]'), function(x) xmlValue(getSibling(x)))
[1] "Queensland University of Technology"

关于xml - 在 R 中是否有更好的方法来完成这个 XML 抓取任务?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/8480018/

相关文章:

r - 使用 purrr 以编程方式创建新变量?

PHP 使用 xPath 查询 XML

xml - 用包含斜杠的字符串替换 xml 属性

xml - 根据 WSDL(xsd 架构)验证 xml 时了解 elementFormDefault 合格/不合格

r - 'match.arg()' 函数内部的 'outer()' 有问题

r - 在数据框中查找重复项并更改标识值

PHP xpath - 查找具有值的元素并获取元素前后的元素

python - 为什么每次在 Selenium Webdriver 中,任何 Web 元素的 “ID” 都会发生变化?

java - JAXB Soap 服务运行时错误(未找到 XPath 方法)

java - 在 Java 中使用 xpath 编辑 XML 文件中的常规节点