htmlparse data xml r

xml - data - r htmlparse



Cómo analizar el marco de datos XML to R (4)

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()

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.


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


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)


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