在 XMLNodeSet（XML 包）上使用 getNodeSet

Question

我无法将 R XML 包用于我想到的特定应用程序。考虑以下示例文档。我有兴趣在第一个 a 节点内获取 b 中的信息。但是我的问题（应用程序）的性质是，我首先需要识别文档中的所有 a 节点，然后对该节点集进行子集化以获取第一个 a 节点，然后获取 b节点。第一步很简单：

    doc <- "
    <div></div>
    <a id='1'><b id='3'>text1</b></a>
    <a id='2'><b id='4'>text2</b></a>
    "
    parsed <- htmlParse(doc)

    step1 <- getNodeSet(parsed, "//a")

    > step1

    [[1]]

    <a id="1">

      <b id="3">text1</b>

    </a> 


    [[2]]

    <a id="2">

      <b id="4">text2</b>

    </a> 


    attr(,"class")

    [1] "XMLNodeSet"

这产生了预期的结果。我的应用程序的下一步是从第一个 a 节点中提取 b 节点。如果我在 step1[[1]] 上使用 getNodeSet，我会从 step1 节点集中的两个节点获取 b 节点。

    step2 <- getNodeSet(step1[[1]], "//b")
    step2

    [[1]]
    <b id="3">text1</b> 

    [[2]]
    <b id="4">text2</b> 

    attr(,"class")
    [1] "XMLNodeSet"

我发现我可以使用 XPath "b" 来获取此示例中的信息，但最终我需要“//b”才能在这里工作。我理解 XML 包的工作方式，我不认为这种行为是错误，而是引用本文档的 C 级表示的结果。有什么办法可以通过任何方式实现这个 "two-step" 过程吗？我基本上希望 step[[1]] 像新文档一样工作。

Answer 1

有很多方法可以用来实现你想要的。首先你可以调整你的 XPATH:

doc <- "
    <div></div>
    <a id='1'><b id='3'>text1</b></a>
    <a id='2'><b id='4'>text2</b></a>
    "
parsed <- htmlParse(doc)
parsed["//a[1]/b"]

> parsed["//a[1]/b"]
[[1]]
<b id="3">text1</b> 

attr(,"class")
[1] "XMLNodeSet"

如果您需要从 step1 开始工作，您可以在 XPATH 中使用相对引用：

step1 <- getNodeSet(parsed, "//a")
getNodeSet(step1[[1]], "./b")

> getNodeSet(step1[[1]], "./b")
[[1]]
<b id="3">text1</b> 

attr(,"class")
[1] "XMLNodeSet"

要像处理新的 XML 文档一样使用 step1[[1]]，有两种方法可能适合：

mydoc2 <- xmlParse(saveXML(step1[[1]]))

> mydoc2["//b"]
[[1]]
<b id="3">text1</b> 

attr(,"class")
[1] "XMLNodeSet"

可能更好的是：

mydoc3 <- xmlDoc(step1[[1]])

> mydoc3["//b"]
[[1]]
<b id="3">text1</b> 

attr(,"class")
[1] "XMLNodeSet"

在 XMLNodeSet（XML 包）上使用 getNodeSet

Using getNodeSet on XMLNodeSet (XML package)

xml

r