Фильтровать узел xml по значению с помощью XPath в R

Question

Я работаю с xml и пытаюсь отфильтровать узлы на определенное значение (в данном случае один определенный zipcode). XML выглядит следующим образом:

https://d396qusza40orc.cloudfront.net/getdata%2Fdata%2Frestaurants.xml

Я был в состоянии подсчитать количество мест с этой командой R:

fileUrl <- "https://d396qusza40orc.cloudfront.net/getdata%2Fdata%2Frestaurants.xml" 

libary(XML) 
doc <- xmlTreeParse(sub("s","",fileUrl), useInternal=TRUE) 
xmlRoot(doc) 
xpathSApply(rootNode,"/response//row[zipcode=21231]",xmlValue) 

выход:

[1] "191921231Fells Point1SOUTHEASTERN"            
    [2] "300 SOUTH ANN STREET21231Upper Fells Point1SOUTHEASTERN"      
    [3] "ADMIRAL FELL INN21231Fells Point1SOUTHEASTERN"         
    [4] "ALE MARY'S21231Fells Point1SOUTHEASTERN"          
    [5] "ALEXANDER'S TAVERN21231Fells Point1SOUTHEASTERN"        
    [6] "BERTHA'S RESTAURANT21231Fells Point1SOUTHEASTERN"        
    [7] "BIRDS OF A FEATHER21231Fells Point1SOUTHEASTERN"        
    [8] "BLARNEY STONE PUB21231Fells Point1SOUTHEASTERN"         
    [9] "ARCOS21231Washington Hill1SOUTHEASTERN" 

т.д.

Моя забота заключается в том, что есть лучший способ добиться этого. Любые предложения сообщества?

Answer 1

Существует множество способов анализа этого XML - возможно, получить соответствующие узлы, а затем использовать xmlToDataFrame и заменить поле пустого места на атрибут адреса.

doc <- xmlParse(sub("s","",fileUrl)) 
rows <- getNodeSet(doc, "//row[zipcode=21231]") 
z <- xmlToDataFrame(nodes = rows) 

addr <- sapply(rows, function(x) xpathSApply(x, "./location_1", xmlGetAttr, "human_address")) 
z$location_1 <- gsub('.*:"([^"]+).*:"([^"]+).*:"([^"]+).*', '\\1, \\2 \\3', addr) 

head(z) 

        name zipcode  neighborhood councildistrict policedistrict     location_1 
1     1919 21231  Fells Point    1 SOUTHEASTERN 1919 FLEET ST, Baltimore MD 
2 300 SOUTH ANN STREET 21231 Upper Fells Point    1 SOUTHEASTERN 300 ANN ST, Baltimore MD 
3  ADMIRAL FELL INN 21231  Fells Point    1 SOUTHEASTERN 818 BROADWAY, Baltimore MD 
4   ALE MARY'S 21231  Fells Point    1 SOUTHEASTERN 1939 FLEET ST, Baltimore MD 
5 ALEXANDER'S TAVERN 21231  Fells Point    1 SOUTHEASTERN 710 BROADWAY, Baltimore MD 
6 BERTHA'S RESTAURANT 21231  Fells Point    1 SOUTHEASTERN 734 BROADWAY, Baltimore MD 

Answer 2

Вот способ, чтобы получить все поля с атрибутами с помощью xml2. Он также использует fromJSON для анализа поля встроенного адреса, поскольку это JSON, и регулярные выражения могут не работать для других файлов данных, если это поле добавляет к нему некоторые выигрышные биты.

library(xml2) 
library(dplyr) 
library(jsonlite) 
library(pbapply) # some ops take a while & progress bars (like fezzes) are cool 

# parse the doc 
doc <- read_xml("getdata-data-restaurants.xml") 

# extract the individual rows 
rows <- xml_find_all(doc, "//response/row/row") 

# extract "easy" fields 
fields <- data.frame(pbsapply(c("name", "zipcode", "neighborhood", 
           "councildistrict", "policedistrict"), 
          function(x) { xml_text(xml_find_all(rows, x)) }), 
        stringsAsFactors=FALSE) 

# alternate method 
# fields <- data_frame(name=xml_text(xml_find_all(rows, "//name")), 
#      zipcode=xml_text(xml_find_all(rows, "//zipcode")), 
#      neighborhood=xml_text(xml_find_all(rows, "//neighborhood")), 
#      councildistrict=xml_text(xml_find_all(rows, "//councildistrict")), 
#      policedistrict=xml_text(xml_find_all(rows, "//policedistrict"))) 

# extract the attributes from <row> 
row_attrs <- bind_rows(lapply(xml_attrs(rows), as.list)) 

# extract the attributes from <location_1> 
loc_attrs <- pblapply(xml_attrs(xml_find_all(rows, "//location_1")), as.list) 

# since each one is a JSON encoded string, use fromJSON to convert 
# and then extract them all into a data frame 
human_address <- bind_rows(pblapply(loc_attrs, 
            function(x) data.frame(fromJSON(x$human_addres), 
                  stringsAsFactors=FALSE))) 

# bind them all together 
dat <- bind_cols(row_attrs, human_address, fields) 

# take a look 
glimpse(dat) 

## Observations: 1,327 
## Variables: 13 
## $ _id    (chr) "1", "2", "3", "4", "5", "6", "7", "8", "... 
## $ _uuid   (chr) "93CACF6F-C8C2-4B87-95A8-8177806D5A6F", "... 
## $ _position  (chr) "1", "2", "3", "4", "5", "6", "7", "8", "... 
## $ _address  (chr) "http://data.baltimorecity.gov/resource/k... 
## $ address   (chr) "4509 BELAIR ROAD", "1919 FLEET ST", "284... 
## $ city   (chr) "Baltimore", "Baltimore", "Baltimore", "B... 
## $ state   (chr) "MD", "MD", "MD", "MD", "MD", "MD", "MD",... 
## $ zip    (chr) "", "", "", "", "", "", "", "", "", "", "... 
## $ name   (chr) "410", "1919", "SAUTE", "#1 CHINESE KITCH... 
## $ zipcode   (chr) "21206", "21231", "21224", "21211", "2122... 
## $ neighborhood (chr) "Frankford", "Fells Point", "Canton", "Ha... 
## $ councildistrict (chr) "2", "1", "1", "14", "9", "14", "13", "7"... 
## $ policedistrict (chr) "NORTHEASTERN", "SOUTHEASTERN", "SOUTHEAS... 

# do filtering in R (dplyr is super gd for this) 
dat %>% 
    filter(zipcode=="21231") %>% 
    select(name, address, city, state, zip) 

## Source: local data frame [127 x 5] 
## 
##     name   address  city state zip 
##     (chr)    (chr)  (chr) (chr) (chr) 
## 1     1919  1919 FLEET ST Baltimore MD  
## 2 300 SOUTH ANN STREET  300 ANN ST Baltimore MD  
## 3  ADMIRAL FELL INN  818 BROADWAY Baltimore MD  
## 4   ALE MARY'S  1939 FLEET ST Baltimore MD  
## 5 ALEXANDER'S TAVERN  710 BROADWAY Baltimore MD  
## 6 BERTHA'S RESTAURANT  734 BROADWAY Baltimore MD  
## 7 BIRDS OF A FEATHER 1712 ALICEANNA ST Baltimore MD  
## 8  BLARNEY STONE PUB  704 BROADWAY Baltimore MD  
## 9     ARCOS  129 BROADWAY Baltimore MD  
## 10 ARIZONA BAR & GRILL  25 BROADWAY Baltimore MD  
## ..     ...    ...  ... ... ... 

Я не стал с needs_recoding, так как он всегда был true в этом случае, но если вам нужно, что это легко добавить.