如何将Markdown文件转换为R DataFrame
如何将Markdown文件转换为R DataFrame
提问于 2020-01-23 17:11:58
我有下面的markdown文件(md3.md)，我希望使用R dataframe转换作为中间步骤将它转换成一个R dataframe。然后，可以使用XML R package将XML文件转换为数据格式。
# level_1
## level_11
- ind1
- ind2
## level_12
- ind3
# level_2
## level_21
### level_211
- ind4要将md文件转换为XML，我使用了：
library(commonmark)
library(xml2)
md <- readLines("md3.md")
xml <- markdown_xml(md)
write(xml, "md3.xml")但是结果文件太复杂了，我不知道如何将它转换成数据文件。我试图使用类似于以下内容的R XML package，但我不确定如何用正确的方式来表示要转换的XML文件：
library(XML)
library(dplyr)
xml_doc <- readLines("md3.xml")
myXML <- xmlParse(xml_doc)
myData <- xmlToDataFrame(myXML, stringsAsFactors = FALSE,) %>%
mutate_all(~type.convert(., as.is = T))这种数据可能需要的输出如下(我使用树级L_1, L_2, L_3, indicators作为使用关系数据库的字段)：
L_1 <- c('level_1', 'level_1', 'level_1', 'level_2')
L_2 <- c('level_11', 'level_11', 'level_12', 'level_21')
L_3 <- c('', '', '', 'level_211')
indicators <- c('ind1', 'ind2', 'ind3', 'ind4')
df <- data.frame(L_1, L_2, L_3, indicators)
df
#> L_1 L_2 L_3 indicators
#> 1 level_1 level_11 ind1
#> 2 level_1 level_11 ind2
#> 3 level_1 level_12 ind3
#> 4 level_2 level_21 level_211 ind4回答 1
Stack Overflow用户
回答已采纳
发布于 2020-01-23 22:37:32
目前还不清楚您希望如何使用多个嵌套级别和不同的加长元素来表示为矩形数据框架的结构。我想一种方法是在每个元素的类型和内容中有一行，如下所示：
library(xml2)
xml_doc <- readLines("md3.xml")
myXML <- xml2::read_xml(xml_doc)
elements <- unlist(xml2::as_list(myXML)$`document`);
data.frame(type = names(elements), contents = as.character(elements))
#> type contents
#> 1 heading.text level_1
#> 2 heading.text level_11
#> 3 list.item.paragraph.text ind1
#> 4 list.item.paragraph.text ind2
#> 5 heading.text level_12
#> 6 list.item.paragraph.text ind3
#> 7 heading.text level_2
#> 8 heading.text level_21
#> 9 heading.text level_211
#> 10 list.item.paragraph.text ind4保留嵌套结构的方法有很多种，但它们都有些任意性和人为的，除非您有一个特定的目标。如果你想扩展你的问题，我很乐意帮助你实现这个目标。
编辑
使用OP现在指定的期望输出，可以提取维护嵌套结构所需的数据。首先，我们需要从xml中提取"level“属性以及任何内容。我们可以使用递归函数来完成这一任务：
list_miner <- function(x)
{
if(!is.null(attr(x, "level"))) return(c(level = attr(x, "level"), x[[1]]))
if(class(x) == "list") return(lapply(x, list_miner))
else return(c( x))
}我们应用这样的函数：
xml_doc <- readLines("md3.xml")
myXML <- xml2::read_xml(xml_doc)
xlist <- xml2::as_list(myXML)
elements <- unlist(lapply(xlist, list_miner))
df <- data.frame(type = names(elements), contents = as.character(elements))现在，df包含了我们需要的所有信息：
#> type contents
#> 1 document.heading.level 1
#> 2 document.heading level_1
#> 3 document.heading.level 2
#> 4 document.heading level_11
#> 5 document.list.item.paragraph.text ind1
#> 6 document.list.item.paragraph.text ind2
#> 7 document.heading.level 2
#> 8 document.heading level_12
#> 9 document.list.item.paragraph.text ind3
#> 10 document.heading.level 1
#> 11 document.heading level_2
#> 12 document.heading.level 2
#> 13 document.heading level_21
#> 14 document.heading.level 3
#> 15 document.heading level_211
#> 16 document.list.item.paragraph.text ind4将其转换为正确的格式需要大量的破坏，但以下是实现该格式的方法：
df %>%
mutate(level1 = cumsum(1 * (type == "document.heading.level" & contents == "1"))) %>%
group_by(level1) %>%
mutate(level1text = contents[type == "document.heading"][1]) %>%
filter(level1 == 0 | seq_along(type) > 2) %>%
mutate(level2 = cumsum(1 * (type == "document.heading.level" & contents == "2"))) %>%
group_by(level1, level2) %>%
mutate(level2text = contents[type == "document.heading"][1]) %>%
filter(level2 == 0 | seq_along(type) > 2) %>%
mutate(level3 = cumsum(1 * (type == "document.heading.level" & contents == "3"))) %>%
group_by(level1, level2, level3) %>%
mutate(level3text = contents[type == "document.heading"][1]) %>%
filter(level3 == 0 | seq_along(type) > 2) %>%
ungroup() %>%
select(header_level_1 = level1text, header_level_2 = level2text,
header_level_3 = level3text, text = contents)它产生：
#> # A tibble: 4 x 4
#> header_level_1 header_level_2 header_level_3 text
#> <fct> <fct> <fct> <fct>
#> 1 level_1 level_11 <NA> ind1
#> 2 level_1 level_11 <NA> ind2
#> 3 level_1 level_12 <NA> ind3
#> 4 level_2 level_21 level_211 ind4 页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/59883886
复制相关文章
相似问题
腾讯云开发者
