آموزش خواندن فایل xml در زبان R

0 دیدگاه

XML یک قالب فایل است که هم خود فایل و هم داده‌های موجود در آن را با استفاده از متن استاندارد ASCII در وب جهانی (World Wide Web)، اینترانت‌ها و سایر محیط‌ها به اشتراک می‌گذارد. واژه XML مخفف Extensible Markup Language است. مشابه HTML، شامل برچسب‌های نشانه‌گذاری (markup tags) است. با این حال، تفاوت اصلی آن با HTML در این است که در HTML برچسب‌ها ساختار صفحه را توصیف می‌کنند، در حالی‌که در XML برچسب‌ها معنای داده‌های موجود در فایل را مشخص می‌کنند.

اگر بخواهید در R یک فایل XML باز کنید، باید اول بسته XML را نصب کنید. این کار با دستور زیر انجام می‌شود:

install.packages("XML")

1	install.packages("XML")

داده ورودی

برای ایجاد یک فایل XML، ابتدا داده زیر را در یک ویرایشگر متنی مانند Notepad کپی کنید. سپس فایل را با پسوند .xml ذخیره کرده و نوع فایل را روی All files (.) قرار دهید.

<RECORDS>
   <EMPLOYEE>
      <ID>1</ID>
      <NAME>Rick</NAME>
      <SALARY>623.3</SALARY>
      <STARTDATE>1/1/2012</STARTDATE>
      <DEPT>IT</DEPT>
   </EMPLOYEE>
	
   <EMPLOYEE>
      <ID>2</ID>
      <NAME>Dan</NAME>
      <SALARY>515.2</SALARY>
      <STARTDATE>9/23/2013</STARTDATE>
      <DEPT>Operations</DEPT>
   </EMPLOYEE>
   
   <EMPLOYEE>
      <ID>3</ID>
      <NAME>Michelle</NAME>
      <SALARY>611</SALARY>
      <STARTDATE>11/15/2014</STARTDATE>
      <DEPT>IT</DEPT>
   </EMPLOYEE>
   
   <EMPLOYEE>
      <ID>4</ID>
      <NAME>Ryan</NAME>
      <SALARY>729</SALARY>
      <STARTDATE>5/11/2014</STARTDATE>
      <DEPT>HR</DEPT>
   </EMPLOYEE>
   
   <EMPLOYEE>
      <ID>5</ID>
      <NAME>Gary</NAME>
      <SALARY>843.25</SALARY>
      <STARTDATE>3/27/2015</STARTDATE>
      <DEPT>Finance</DEPT>
   </EMPLOYEE>
   
   <EMPLOYEE>
      <ID>6</ID>
      <NAME>Nina</NAME>
      <SALARY>578</SALARY>
      <STARTDATE>5/21/2013</STARTDATE>
      <DEPT>IT</DEPT>
   </EMPLOYEE>
   
   <EMPLOYEE>
      <ID>7</ID>
      <NAME>Simon</NAME>
      <SALARY>632.8</SALARY>
      <STARTDATE>7/30/2013</STARTDATE>
      <DEPT>Operations</DEPT>
   </EMPLOYEE>
   
   <EMPLOYEE>
      <ID>8</ID>
      <NAME>Guru</NAME>
      <SALARY>722.5</SALARY>
      <STARTDATE>6/17/2014</STARTDATE>
      <DEPT>Finance</DEPT>
   </EMPLOYEE>
	
</RECORDS>

</EMPLOYEE>

<DEPT>Operations</DEPT>

</EMPLOYEE>

<NAME>Michelle</NAME>

</EMPLOYEE>

</EMPLOYEE>

<DEPT>Finance</DEPT>

</EMPLOYEE>

</EMPLOYEE>

<NAME>Simon</NAME>

<DEPT>Operations</DEPT>

</EMPLOYEE>

<DEPT>Finance</DEPT>

</EMPLOYEE>

</RECORDS>

خواندن فایل XML در زبان R

در R، فایل XML با تابع xmlParse() خوانده می‌شود و نتیجه به صورت یک لیست در محیط R ذخیره خواهد شد.

# بارگذاری بسته لازم برای خواندن فایل‌های XML
library("XML")

# بارگذاری بسته دیگر موردنیاز
library("methods")

# معرفی نام فایل ورودی به تابع
result <- xmlParse(file = "input.xml")

# چاپ نتیجه
print(result)

# بارگذاری بسته لازم برای خواندن فایل‌های XML

library("XML")

# بارگذاری بسته دیگر موردنیاز

library("methods")

# معرفی نام فایل ورودی به تابع

result <- xmlParse(file = "input.xml")

# چاپ نتیجه

print(result)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

1
Rick
623.3
1/1/2012
IT

2
Dan
515.2
9/23/2013
Operations

3
Michelle
611
11/15/2014
IT

4
Ryan
729
5/11/2014
HR

5
Gary
843.25
3/27/2015
Finance

6
Nina
578
5/21/2013
IT

7
Simon
632.8
7/30/2013
Operations

8
Guru
722.5
6/17/2014
Finance

Rick

623.3

1/1/2012

Dan

515.2

9/23/2013

Operations

Michelle

611

11/15/2014

Ryan

729

5/11/2014

Gary

843.25

3/27/2015

Finance

Nina

578

5/21/2013

Simon

632.8

7/30/2013

Operations

Guru

722.5

6/17/2014

Finance

محاسبه تعداد نودها (Nodes) در یک فایل XML

برای شمارش تعداد نودهای موجود در یک فایل XML در محیط R از تابع xmlSize() استفاده می‌کنیم.

# بارگذاری بسته‌های موردنیاز برای خواندن فایل‌های XML
library("XML")
library("methods")

# معرفی فایل ورودی به تابع
result <- xmlParse(file = "input.xml")

# استخراج ریشه (root node) از فایل XML
rootnode <- xmlRoot(result)

# پیدا کردن تعداد نودهای موجود در ریشه
rootsize <- xmlSize(rootnode)

# چاپ نتیجه
print(rootsize)

# بارگذاری بسته‌های موردنیاز برای خواندن فایل‌های XML

library("XML")

library("methods")

# معرفی فایل ورودی به تابع

result <- xmlParse(file = "input.xml")

# استخراج ریشه (root node) از فایل XML

rootnode <- xmlRoot(result)

# پیدا کردن تعداد نودهای موجود در ریشه

rootsize <- xmlSize(rootnode)

# چاپ نتیجه

print(rootsize)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

[1] 8

[1] 8

جزئیات اولین نود

اکنون به اولین رکورد فایل پردازش‌شده نگاه می‌کنیم تا عناصر (elements) مختلفی را که در سطح بالای نود وجود دارند ببینیم.

# بارگذاری بسته‌های موردنیاز برای خواندن فایل‌های XML
library("XML")
library("methods")

# معرفی فایل ورودی به تابع
result <- xmlParse(file = "input.xml")

# استخراج ریشه (root node) از فایل XML
rootnode <- xmlRoot(result)

# چاپ اولین نود
print(rootnode[1])

# بارگذاری بسته‌های موردنیاز برای خواندن فایل‌های XML

library("XML")

library("methods")

# معرفی فایل ورودی به تابع

result <- xmlParse(file = "input.xml")

# استخراج ریشه (root node) از فایل XML

rootnode <- xmlRoot(result)

# چاپ اولین نود

print(rootnode[1])

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

$EMPLOYEE
   1
   Rick
   623.3
   1/1/2012
   IT
 

attr(,"class")
[1] "XMLInternalNodeList" "XMLNodeList"

$EMPLOYEE

Rick

623.3

1/1/2012

attr(,"class")

[1] "XMLInternalNodeList" "XMLNodeList"

استخراج عناصر مختلف از یک نود

برای دسترسی به عناصر خاص از یک نود مشخص می‌توان از اندیس‌گذاری (indexing) استفاده کرد.

# بارگذاری بسته‌های موردنیاز
library("XML")
library("methods")

# معرفی فایل ورودی به تابع
result <- xmlParse(file = "input.xml")

# استخراج ریشه (root node)
rootnode <- xmlRoot(result)

# دریافت اولین عنصر از اولین نود
print(rootnode[[1]][[1]])

# دریافت پنجمین عنصر از اولین نود
print(rootnode[[1]][[5]])

# دریافت دومین عنصر از سومین نود
print(rootnode[[3]][[2]])

# بارگذاری بسته‌های موردنیاز

library("XML")

library("methods")

# معرفی فایل ورودی به تابع

result <- xmlParse(file = "input.xml")

# استخراج ریشه (root node)

rootnode <- xmlRoot(result)

# دریافت اولین عنصر از اولین نود

print(rootnode[[1]][[1]])

# دریافت پنجمین عنصر از اولین نود

print(rootnode[[1]][[5]])

# دریافت دومین عنصر از سومین نود

print(rootnode[[3]][[2]])

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

1 
IT 
Michelle

Michelle

تبدیل XML به Data Frame در R

برای مدیریت بهتر داده‌ها در فایل‌های بزرگ، داده‌های موجود در فایل XML را می‌توان به یک Data Frame در R تبدیل کرد. سپس با استفاده از توابع مربوط به Data Frame داده‌ها را پردازش و تحلیل نمود.

# بارگذاری بسته‌های موردنیاز برای خواندن فایل‌های XML
library("XML")
library("methods")

# تبدیل فایل XML ورودی به Data Frame
xmldataframe <- xmlToDataFrame("input.xml")

# چاپ داده‌ها
print(xmldataframe)

# بارگذاری بسته‌های موردنیاز برای خواندن فایل‌های XML

library("XML")

library("methods")

# تبدیل فایل XML ورودی به Data Frame

xmldataframe <- xmlToDataFrame("input.xml")

# چاپ داده‌ها

print(xmldataframe)

وقتی کد بالا را اجرا می‌کنیم، نتیجه زیر را تولید می‌کند:

      ID    NAME     SALARY    STARTDATE       DEPT 
1      1    Rick     623.30    2012-01-01      IT
2      2    Dan      515.20    2013-09-23      Operations
3      3    Michelle 611.00    2014-11-15      IT
4      4    Ryan     729.00    2014-05-11      HR
5     NA    Gary     843.25    2015-03-27      Finance
6      6    Nina     578.00    2013-05-21      IT
7      7    Simon    632.80    2013-07-30      Operations
8      8    Guru     722.50    2014-06-17      Finance

ID NAME SALARY STARTDATE DEPT

1 1 Rick 623.30 2012-01-01 IT

2 2 Dan 515.20 2013-09-23 Operations

3 3 Michelle 611.00 2014-11-15 IT

4 4 Ryan 729.00 2014-05-11 HR

5 NA Gary 843.25 2015-03-27 Finance

6 6 Nina 578.00 2013-05-21 IT

7 7 Simon 632.80 2013-07-30 Operations

8 8 Guru 722.50 2014-06-17 Finance

پس از تبدیل داده‌ها به Data Frame، تمامی توابع و ویژگی‌های مرتبط با این ساختار در دسترس هستند. در نتیجه به کمک آن‌ها می‌توان داده‌ها را خواند، فیلتر کرد و مورد پردازش قرار داد.