Как заблокировать определенный тип узлов в XML-данных в R?

У меня есть XML-файл книги. Основное дерево имеет Кузов/Панорама/Регион/Абзац/Линия/Слово уровней. Однако меня не интересует уровень . Есть ли способ сплавить уровень линии без разрушения уровня Word в R с использованием пакета XML или любого другого пакета? После преобразования, основное дерево будет тела/Pagecolumn/Регион/Пункт/СловоКак заблокировать определенный тип узлов в XML-данных в R?

Образец данных XML приводится ниже:

<?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>

Спасибо.

источник

2013-07-02 imriss

Мне нравятся простые решения регулярных выражений и в этом случае они, вероятно, путь. В общем случае с XML мы будем использовать XSLT. Это язык для преобразования XML. Существует пакет R Sxslt, который может быть использован для преобразования XML. Идея состоит в том, чтобы определить 2 шаблона:

Первый шаблон - это то, что называется преобразованием идентичности. Это копирует все атрибуты и узлы. Если есть более подходящий шаблон для определенного элемента, то xslt будет использовать это вместо этого.
Затем мы объявили шаблон более релевантным для LINE. Это ничего не делает. Таким образом, для всех узлов и атрибутов, кроме LINE, преобразование выполняет копию.

Вот код мые:

# 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>

источник

2013-07-02 19:10:44 user1609452

Спасибо! Это выглядит великолепно! пару вопросов, я не могу установить его для окон, мне нужно скомпилировать его из исходного кода? Если я понимаю ваш код, в этом случае код все еще работает с этим преобразованием '', я имею в виду без @ *? – agstudy

Unfortunatley Я не думаю, что версия для Windows доступна. Первый шаблон - это то, что называется преобразованием идентичности http://en.wikipedia.org/wiki/Identity_transform. Это копирует все атрибуты и узлы. Если есть более подходящий шаблон для определенного элемента, то xslt будет использовать это вместо этого. Мы объявили шаблон более актуальным для LINE. Это ничего не делает. Таким образом, для всех узлов и атрибутов, кроме LINE, преобразование выполняет копию. Результатом является исходный XML минус части LINE. – user1609452

Спасибо. Я также использую R для окон.Я попытался установить из источника, используя RStudio, но я получил эту ошибку: * Пожалуйста, определите LIB_XSLT *. – imriss

Правильный способ заключается в использовании пакета xml и сплавления узлов.

Однако для образца xml, который вы предоставили, вы можете уйти с простым gsub (найти и заменить).

Что-то вдоль линий:

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

И идут оттуда.

источник

2013-07-02 18:22:59

Спасибо. Однако я подожду еще немного, чтобы увидеть, подходит ли модульное решение. – imriss

Аналогичное решение с использованием grepl, чтобы удалить все строки:

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

источник

2013-07-02 18:29:49 agstudy

Спасибо. Это работало для меня, когда для фиксированного значения установлено значение ЛОЖЬ. – imriss

@imriss хороший ловушка! Я редактирую свой ответ. – agstudy

Как заблокировать определенный тип узлов в XML-данных в R?

ответ

Смежные вопросы