xml - data - r htmlparse

Cómo analizar el marco de datos XML to R

Question

Traté de analizar el marco de datos XML a R, este enlace me ayudó mucho:

cómo crear un marco de datos R a partir de un archivo xml

Pero aún así no fui capaz de resolver mi problema:

Aquí está mi código:

data <- xmlParse("http://forecast.weather.gov/MapClick.php?lat=29.803&lon=-82.411&FcstType=digitalDWML")
xmlToDataFrame(nodes=getNodeSet(data1,"//data"))[c("location","time-layout")]
step1 <- xmlToDataFrame(nodes=getNodeSet(data1,"//location/point"))[c("latitude","longitude")]
step2 <- xmlToDataFrame(nodes=getNodeSet(data1,"//time-layout/start-valid-time"))
step3 <- xmlToDataFrame(nodes=getNodeSet(data1,"//parameters/temperature"))[c("type="hourly"")]

El marco de datos que quiero tener es así:

latitude  longitude   start-valid-time   hourly_temperature
29.803     -82.411  2013-06-19T15:00:00-04:00    91
29.803     -82.411  2013-06-19T16:00:00-04:00    90

Estoy atrapado en xmlToDataFrame() , cualquier ayuda sería muy apreciada, gracias.

Answer 1

Aquí hay una solución parcial usando xml2. Romper la solución en piezas más pequeñas generalmente hace que sea más fácil garantizar que todo esté alineado:

library(xml2)
data <- read_xml("http://forecast.weather.gov/MapClick.php?lat=29.803&lon=-82.411&FcstType=digitalDWML")

# Point locations
point <- data %>% xml_find_all("//point")
point %>% xml_attr("latitude") %>% as.numeric()
point %>% xml_attr("longitude") %>% as.numeric()

# Start time
data %>% 
  xml_find_all("//start-valid-time") %>% 
  xml_text()

# Temperature
data %>% 
  xml_find_all("//temperature[@type=''hourly'']/value") %>% 
  xml_text() %>% 
  as.integer()

Answer 2

Los datos en formato XML raramente están organizados de una manera que permitiría que funcione la función xmlToDataFrame . Es mejor extraer todo en las listas y luego unir las listas en un marco de datos:

require(XML)
data <- xmlParse("http://forecast.weather.gov/MapClick.php?lat=29.803&lon=-82.411&FcstType=digitalDWML")

xml_data <- xmlToList(data)

En el caso de los datos de ejemplo, obtener la ubicación y la hora de inicio es bastante sencillo:

location <- as.list(xml_data[["data"]][["location"]][["point"]])

start_time <- unlist(xml_data[["data"]][["time-layout"]][
    names(xml_data[["data"]][["time-layout"]]) == "start-valid-time"])

Los datos de temperatura son un poco más complicados. Primero debe llegar al nodo que contiene las listas de temperatura. Luego necesita extraer ambas listas, mirar dentro de cada una, y elegir la que tiene "cada hora" como uno de sus valores. Luego debe seleccionar solo esa lista, pero solo conservar los valores que tienen la etiqueta de "valor":

temps <- xml_data[["data"]][["parameters"]]
temps <- temps[names(temps) == "temperature"]
temps <- temps[sapply(temps, function(x) any(unlist(x) == "hourly"))]
temps <- unlist(temps[[1]][sapply(temps, names) == "value"])

out <- data.frame(
  as.list(location),
  "start_valid_time" = start_time,
  "hourly_temperature" = temps)

head(out)
  latitude longitude          start_valid_time hourly_temperature
1    29.81    -82.42 2013-06-19T16:00:00-04:00                 91
2    29.81    -82.42 2013-06-19T17:00:00-04:00                 90
3    29.81    -82.42 2013-06-19T18:00:00-04:00                 89
4    29.81    -82.42 2013-06-19T19:00:00-04:00                 85
5    29.81    -82.42 2013-06-19T20:00:00-04:00                 83
6    29.81    -82.42 2013-06-19T21:00:00-04:00                 80

Answer 3

Puedes probar el siguiente código:

# Load the packages required to read XML files.
library("XML")
library("methods")

# Convert the input xml file to a data frame.
xmldataframe <- xmlToDataFrame("input.xml")
print(xmldataframe)

Answer 4

Utilice xpath más directamente para el rendimiento y la claridad.

time_path <- "//start-valid-time"
temp_path <- "//temperature[@type=''hourly'']/value"

df <- data.frame(
    latitude=data[["number(//point/@latitude)"]],
    longitude=data[["number(//point/@longitude)"]],
    start_valid_time=sapply(data[time_path], xmlValue),
    hourly_temperature=as.integer(sapply(data[temp_path], as, "integer"))

llevando a

> head(df, 2)
  latitude longitude          start_valid_time hourly_temperature
1    29.81    -82.42 2014-02-14T18:00:00-05:00                 60
2    29.81    -82.42 2014-02-14T19:00:00-05:00                 55