plyr 的 ldply 改变了 read_xml 的行为

Posted 2023-02-24

【中文标题】plyr 的 ldply 改变了 read_xml 的行为

【英文标题】：plyr's ldply changes read_xml's behavior

【发布时间】：2021-05-05 05:50:29

【问题描述】：

我试图从一堆 xml 文件中的每一个中读取几个字段。我写了一个小函数来提取我需要的字段并将它们作为向量返回：

id_dir <- function(d) 
  xml <- read_xml(d)
  id <- xml_text(xml_node(xml, 'AwardID'))
  dir <- xml_text(xml_node(xml, 'Abbreviation'))
  phone <- xml_text(xml_node(xml, 'PhoneNumber'))
  return(c(id, phone, dir))

但是当我用ldply 包装它时，会发生以下情况：

setwd('xmls/2017')
files <- list.files()[1:100]
sev_data <- plyr::ldply(files, id_dir)

Error in read_xml.character(d) : xmlParseEntityRef: no name [68]

尽管以下代码按预期工作，但仍会发生这种情况：

id_dir(glue('xmls/2017/files[1]'))

"1700003" "5746317432" "MPS"

我已经尝试过一段时间了，但大多数时候我看到人们在谈论 php 和很可能无关紧要的东西。

为了重现性，here 是我正在读取的文件的couple。

【问题讨论】：

The error suggests that at least one of the XML files is invalid，可能是与符号有关。

【参考方案1】：

您的功能按预期工作，可以通过您分享的示例进行验证。

id_dir('https://raw.githubusercontent.com/jdollman/***/data/1700229.xml')
#[1] "1700229"    "8659743466" "MPS" 
      
id_dir('https://raw.githubusercontent.com/jdollman/***/data/1715157.xml')
#[1] "1715157"    "5705773510" "BIO"       

所以问题是您如何将文件传递给函数id_dir。我不使用plyr，因为它早已退役并被dplyr 取代。我会在这里使用lapply。

另一个问题可能是您的目录中有其他文件不是xml。您可以在list.files 中指定仅选择'xml' 文件。试试看：

setwd('xmls/2017')
files <- list.files(pattern = '\\.xml$')[1:100]
sev_data <- lapply(files, id_dir)