在 R 中将 XML 转换为数据框

Question

您好我正在尝试将以下 XML 代码转换为 R 中的数据框。但是我不能，因为每条记录都缺少值。

RecordID 23063 包含以下数据：ActivityCreatedDate、ExpectedInstallDate、InvoiceTxnDate。 但是，以下一些节点并不具备所有这些元素。 RecordID 23321 缺少 InvoiceTxnDate 等。

<?xml version="1.0" encoding="windows-1252" ?>
  <Record>
    <RecordID>23063</RecordID>
    <ActivityCreatedDate>2018-12-11T19:00:00</ActivityCreatedDate>
    <ExpectedInstallDate>2018-12-19T19:00:00</ExpectedInstallDate>
    <InvoiceTxnDate>2018-12-13T19:00:00</InvoiceTxnDate>
  </Record>
  <Record>
    <RecordID>23321</RecordID>
    <ActivityCreatedDate>2018-10-15T18:00:00</ActivityCreatedDate>
    <ExpectedInstallDate>2018-11-14T19:00:00</ExpectedInstallDate>
  </Record>
  <Record>
    <RecordID>23566</RecordID>
    <ActivityCreatedDate>2019-01-23T19:00:00</ActivityCreatedDate>
  </Record>
  <Record>
    <RecordID>23217</RecordID>
    <ActivityCreatedDate>2018-12-20T19:00:00</ActivityCreatedDate>
    <ExpectedInstallDate>2019-01-23T19:00:00</ExpectedInstallDate>
    <InvoiceTxnDate>2019-01-18T19:00:00</InvoiceTxnDate>
  </Record>
  <Record>
    <RecordID>23325</RecordID>
    <ActivityCreatedDate>2018-05-25T18:00:00</ActivityCreatedDate>
    <ExpectedInstallDate>2019-01-23T19:00:00</ExpectedInstallDate>
  </Record>
</end of file>

目前我正在使用 xml2。 我正在使用 read_xml 将其读取到变量中，然后使用 xml_find_all 和 trimws 将列存储到列表中。 然后我尝试将我的列表转换为数据框，但由于维度关闭而失败。

我想知道如何将上述 XML 转换为如下所示的数据框：

RecordID    ActivityCreatedDate ExpectedInstallDate InvoiceTxnDate
1   23063   2018-12-11T19:00:00 2018-12-19T19:00:00 2018-12-13T19:00:00
2   23321   2018-10-15T18:00:00 2018-11-14T19:00:00 NA
3   23566   2019-01-23T19:00:00 NA                  NA
4   23217   2018-12-20T19:00:00 2019-01-23T19:00:00 2019-01-18T19:00:00
5   23325   2018-05-25T18:00:00 2019-01-23T19:00:00 NA

在这种情况下，有没有办法遍历每个 RecordID 并添加一个

<InvoiceTxnDate>NA</InvoiceTxnDate> or a <ExpectedInstallDate>NA</ExpectedInstallDate>

到节点，如果它丢失？ 我会更乐意分享我拥有的所有统一数据的 R 代码。 另外，如果这个问题没有意义，请告诉我，我会更多地解释自己。

Answer 1

您是否尝试过使用XML包？

XML::xmlToDataFrame('path to xml file')


> XML::xmlToDataFrame('~/R/test.xml')
  RecordID ActivityCreatedDate ExpectedInstallDate      InvoiceTxnDate
1    23063 2018-12-11T19:00:00 2018-12-19T19:00:00 2018-12-13T19:00:00
2    23321 2018-10-15T18:00:00 2018-11-14T19:00:00                <NA>
3    23566 2019-01-23T19:00:00                <NA>                <NA>
4    23217 2018-12-20T19:00:00 2019-01-23T19:00:00 2019-01-18T19:00:00
5    23325 2018-05-25T18:00:00 2019-01-23T19:00:00                <NA>

在 XML 完全如上所示的情况下，没有根节点。 您可以执行以下操作：

library(xml2)
library(rvest)
library(tidyverse)

## METHOD 1
## add missing root node
read_html('~/R/test.xml') %>% html_children() %>% 
  as_xml_document(root = 'doc') %>% xml_contents() %>% xml_contents() %>% 
  map_df(., function(x) {
    kids <- xml_children(x)
    setNames(as.list(type.convert(xml_text(kids))), xml_name(kids))
  })

## METHOD 2
## treating the xml as a list
read_html('~/R/test.xml') %>% 
  html_nodes('record') %>% 
  as_list() %>% 
  lapply(., function(x) unlist(x, recursive = F) %>% bind_cols()) %>% 
  bind_rows()


## both of the above methods will return the following tibble
# A tibble: 5 x 4
  recordid activitycreateddate expectedinstalldate invoicetxndate     
  <chr>    <chr>               <chr>               <chr>              
1 23063    2018-12-11T19:00:00 2018-12-19T19:00:00 2018-12-13T19:00:00
2 23321    2018-10-15T18:00:00 2018-11-14T19:00:00 NA                 
3 23566    2019-01-23T19:00:00 NA                  NA                 
4 23217    2018-12-20T19:00:00 2019-01-23T19:00:00 2019-01-18T19:00:00
5 23325    2018-05-25T18:00:00 2019-01-23T19:00:00 NA