XML到数据帧错误，因为列的下标重复

Question

我只是想创建一个xml文件到一个数据框架。我的文件很大，可能因为我得到一个错误，当我尝试这样做。错误如下:错误在[<-.data.frame(*tmp*, i, names(nodes[[i]])， value = c(graphics = "，:重复的下标为列我使用的代码是这样的:

breast_cancer <- xmlParse("breastcancerkegg.xml")

xmldaraframe <- xmlToDataFrame("breastcancerkegg.xml")

如果需要xml文件的样例，请参阅下面的genome.jp/pathway/hsa05224+H00031

<?xml version="1.0"?>
<!DOCTYPE pathway SYSTEM "https://www.kegg.jp/kegg/xml/KGML_v0.7.2_.dtd">
<!-- Creation date: Apr 11, 2018 17:05:28 +0900 (GMT+9) -->
<pathway name="path:hsa05224" org="hsa" number="05224"
title="Breast cancer"
image="https://www.kegg.jp/kegg/pathway/hsa/hsa05224.png"
link="https://www.kegg.jp/kegg-bin/show_pathway?hsa05224">
<entry id="2" name="path:hsa05224" type="map"
link="https://www.kegg.jp/dbget-bin/www_bget?hsa05224">
<graphics name="TITLE:Breast cancer" fgcolor="#000000" bgcolor="#FFFFFF"
type="roundrectangle" x="123" y="58" width="165" height="25"/>
</entry>
<entry id="6" name="hsa:2099 hsa:2100" type="gene"
link="https://www.kegg.jp/dbget-bin/www_bget?hsa:2099+hsa:2100">
<graphics name="ESR1, ER, ESR, ESRA, ESTRR, Era, NR3A1..." fgcolor="#000000" bgcolor="#BFFFBF"
type="rectangle" x="710" y="187" width="46" height="17"/>
</entry>
<entry id="7" name="hsa:2099 hsa:2100" type="gene"
link="https://www.kegg.jp/dbget-bin/www_bget?hsa:2099+hsa:2100">
<graphics name="ESR1, ER, ESR, ESRA, ESTRR, Era, NR3A1..." fgcolor="#000000" bgcolor="#BFFFBF"
type="rectangle" x="1041" y="187" width="46" height="17"/>
</entry>
<entry id="9" name="cpd:C00951" type="compound"
link="https://www.kegg.jp/dbget-bin/www_bget?C00951">
<graphics name="C00951" fgcolor="#000000" bgcolor="#FFFFFF"
type="circle" x="237" y="190" width="8" height="8"/>
</entry>
<entry id="11" name="hsa:1956" type="gene"
link="https://www.kegg.jp/dbget-bin/www_bget?hsa:1956">
<graphics name="EGFR, ERBB, ERBB1, HER1, NISBD2, PIG61, mENA" fgcolor="#000000" bgcolor="#BFFFBF"
type="rectangle" x="325" y="593" width="46" height="17"/>
</entry>

有什么想法吗?

Answer 1

这是对OP评论的回答:如何访问XML文档中的特定节点

我更喜欢xml2库而不是XML库。xml2小插图是推荐的阅读/参考材料。

了解数据格式

第一步是在XML浏览器或纯文本编辑器中打开文件，查看文档的结构。我们可以看到有一个pathway节点，包含多个entry和relation节点。每个entry节点包含一个graphics节点,每个relation节点包含一个subtype节点。

正在加载XML文件

library(xml2)
xml <- read_xml('hsa05224.xml')

提取所有entry节点

entries <- xml_find_all(xml, "/pathway//entry")

这里，路径中的/指的是文档的根，//用于将节点与其子节点分开。

entries现在将是一个包含130个项目(节点)的列表。每个节点可以有多个属性和多个子节点。属性有一个唯一的名称，子属性可以有相同的名称。

从单个节点获取信息

> # print entire node
> entries[[1]]
{xml_node}
<entry id="2" name="path:hsa05224" type="map" link="https://www.kegg.jp/dbget-bin/www_bget?hsa05224">
[1] <graphics name="TITLE:Breast cancer" fgcolor="#000000" bgcolor="#FFFFFF" type="roundrectangle" x="123" y="58" width="165" height="25"/>

> # get node path
> xml_path(entries[[1]])
[1] "/pathway/entry[1]"

> # get vector of all attributes
> xml_attrs(entries[[1]])
id                                              name                                              type 
"2"                                   "path:hsa05224"                                             "map" 
link 
"https://www.kegg.jp/dbget-bin/www_bget?hsa05224" 

> # get specific attributes
> xml_attr(entries[[1]], 'name')
[1] "path:hsa05224"
> xml_attr(entries[[1]], 'link')
[1] "https://www.kegg.jp/dbget-bin/www_bget?hsa05224"

> # get node name
> xml_name(entries[[1]])
[1] "entry"

> # get all sub-nodes inside node
> kids <- xml_children(entries[[1]])

在最后一步中，我们提取了所有子节点，我们可以对每个子节点再次执行相同的操作，例如:

> xml_path(kids[[1]])
[1] "/pathway/entry[1]/graphics"
> xml_attrs(kids[[1]])
name               fgcolor               bgcolor                  type                     x                     y 
"TITLE:Breast cancer"             "#000000"             "#FFFFFF"      "roundrectangle"                 "123"                  "58" 
width                height 
"165"                  "25" 
> xml_name(kids[[1]])
[1] "graphics"

手动从这些文档中提取数据主要涉及大量的for()和/或lapply()调用。