Question

我有大型XML文件，我想将其转换为数据框，以便在R和其他程序中进行进一步处理。这些都是在macOS中完成的。

每个月XML大小约为1gb，有15万条记录和191个不同的变量。最后，我可能不需要全部191个变量，但我想保留它们并稍后决定。

The XML files can be accessed here（滚动到每月zip的底部，未压缩时应查看“ dming” XML）

我已经取得了一些进步，但是处理较大文件的时间太长了（见下文）

XML看起来像这样：

<ROOT>
 <ROWSET_DUASDIA>
  <ROW_DUASDIA NUM="1">
   <variable1>value</variable1>
   ...
   <variable191>value</variable191>
  </ROW_DUASDIA>
  ...
  <ROW_DUASDIA NUM="150236">
   <variable1>value</variable1>
   ...
   <variable191>value</variable191>
  </ROW_DUASDIA>
 </ROWSET_DUASDIA>
</ROOT>

我希望这很清楚。这是我第一次使用XML。

我在这里查看了许多答案，实际上设法使用较小的样本（使用每日XML而不是每月XML）和xml2将数据放入数据框。这就是我所做的

library(xml2) 

raw <- read_xml(filename)

# Find all records
dua <- xml_find_all(raw,"//ROW_DUASDIA")

# Create empty dataframe
dualen <- length(dua)
varlen <- length(xml_children(dua[[1]]))
df <- data.frame(matrix(NA,nrow=dualen,ncol=varlen))

# For loop to enter the data for each record in each row
for (j in 1:dualen) {
  df[j, ] <- xml_text(xml_children(dua[[j]]),trim=TRUE)
}

# Name columns
colnames(df) <- c(names(as_list(dua[[1]])))

我认为这还很初级，但是我对R还是很陌生。

无论如何，这对于日常数据（4-5k条记录）可以正常工作，但是对于15万条记录来说效率可能太低，实际上我等了几个小时才完成。当然，我每个月只需要运行一次此代码，但是我仍然希望对其进行改进。

我尝试使用as_list中的xml2函数将所有记录的元素转换为列表，以便可以继续使用plyr，但这也花费了很长时间。

谢谢。

Answer 1

虽然不能保证在较大的XML文件上有更好的性能，但是（“旧派”）XML包为像您这样的扁平XML文件维护了一个紧凑的数据帧处理程序xmlToDataFrame。其他兄弟姐妹中任何可用的缺少节点都会导致NA对应字段。

library(XML)

doc <- xmlParse("/path/to/file.xml")
df <- xmlToDataFrame(doc, nodes=getNodeSet(doc, "//ROW_DUASDIA"))

您甚至可以想象，您可以下载每日zip文件，解压缩需要的XML，并在每月的大型XML带来内存挑战的情况下将其解析为数据框。例如，下面将2018年12月的每日数据提取到要在行尾绑定的数据帧列表中。 Process甚至添加一个 DDate 字段。由于缺少日期或其他URL或zip问题，方法被包装在tryCatch中。

dec_urls <- paste0(1201:1231)
temp_zip <- "/path/to/temp.zip"
xml_folder <- "/path/to/xml/folder"

xml_process <- function(dt) {      
  tryCatch({
    # DOWNLOAD ZIP TO URL
    url <- paste0("ftp://ftp.aduanas.gub.uy/DUA%20Diarios%20XML/2018/dd2018", dt,".zip")
    file <- paste0(xml_folder, "/dding2018", dt, ".xml")

    download.file(url, temp_zip)
    unzip(temp_zip, files=paste0("dding2018", dt, ".xml"), exdir=xml_folder)
    unlink(temp_zip)           # DESTROY TEMP ZIP

    # PARSE XML TO DATA FRAME
    doc <- xmlParse(file)        
    df <- transform(xmlToDataFrame(doc, nodes=getNodeSet(doc, "//ROW_DUASDIA")),
                    DDate = as.Date(paste("2018", dt), format="%Y%m%d", origin="1970-01-01"))
    unlink(file)               # DESTROY TEMP XML

    # RETURN XML DF
    return(df)
  }, error = function(e) NA)      
}

# BUILD LIST OF DATA FRAMES
dec_df_list <- lapply(dec_urls, xml_process)

# FILTER OUT "NAs" CAUGHT IN tryCatch
dec_df_list <- Filter(NROW, dec_df_list)

# ROW BIND TO FINAL SINGLE DATA FRAME
dec_final_df <- do.call(rbind, dec_df_list)

Answer 2

这是一种解决方案，可立即处理整个文档，而不是读取循环中的150,000条记录中的每条记录。这将大大提高性能。

此版本还可以处理每条记录的变量数不同的情况。

library(xml2)
doc<-read_xml('<ROOT>
 <ROWSET_DUASDIA>
              <ROW_DUASDIA NUM="1">
              <variable1>value1</variable1>
              <variable191>value2</variable191>
              </ROW_DUASDIA>
              <ROW_DUASDIA NUM="150236">
              <variable1>value3</variable1>
              <variable2>value_new</variable2>
              <variable191>value4</variable191>
              </ROW_DUASDIA>
              </ROWSET_DUASDIA>
              </ROOT>')

#find all of the nodes/records
nodes<-xml_find_all(doc, ".//ROW_DUASDIA")

#find the record NUM and the number of variables under each record
nodenum<-xml_attr(nodes, "NUM")
nodeslength<-xml_length(nodes)

#find the variable names and values
nodenames<-xml_name(xml_children(nodes))
nodevalues<-trimws(xml_text(xml_children(nodes)))

#create dataframe
df<-data.frame(NUM=rep(nodenum, times=nodeslength), 
       variable=nodenames, values=nodevalues, stringsAsFactors = FALSE)

#dataframe is in a long format.  
#Use the function cast, or spread from the tidyr to convert wide format
#      NUM    variable    values
# 1      1   variable1    value1
# 2      1 variable191    value2
# 3 150236   variable1    value3
# 4 150236   variable2 value_new
# 5 150236 variable191    value4

#Convert to wide format
library(tidyr)
spread(df, variable, values)

将大型XML解析为R中的数据框

2 个答案: