В настоящее время я работаю над проектом, в котором применяю интеллектуальный анализ текста к большому количеству файлов xml. Я использую пакет xml2 для обработки xml и пакет stringr для обработки большинства задач интеллектуального анализа текста.
У меня странная проблема. Некоторые из xml-документов содержат странные символы пробела, которые мешают работе, поэтому мне нужно сначала заменить эти символы пробела обычными пробелами. Для этого я беру все узлы из xml-документа, извлекаю текст, изменяю его, а затем присваиваю измененные строки обратно узлам, например: xml_text(node) <- str_replace_all(xml_text(node), "[:space:]", " "), что успешно изменяет символы пробела. Это упрощенная версия моего кода:
# required libraries
require(xml2)
require(stringr)
testfunctie <- function(xmlstring)
{
# turn string into xml nodeset
data<-read_xml(xmlstring)
# take every node separately
data<-xml_find_all(data, "//*")
browser()
# replace weird space characters by regular ones
for (i in 1:length(data))
{
xml_text(data[[i]]) <- str_replace_all(xml_text(data[[i]]), "[:space:]", " ")
}
# find all nodes containing a certain text
tree <- xml_find_all(data, "//dossiernr[text()='ExampleText']")
browser()
return(tree)
}
# XML example
exampleXML<-"<dossier>
<dossiernummer>
<dossiernr>ExampleText</dossiernr>
</dossiernummer>
<titel>AnotherPieceOfExampleText</titel>
</dossier>"
mvt <- testfunctie(exampleXML)
Обычно это работает так, как должно, но в некоторых случаях возникает странная проблема, и текст, извлеченный с помощью xml_text (), также содержит текст из других узлов. В этом можно убедиться, запустив приведенный выше код. Когда срабатывает первый оператор browser (), выберите оставшийся код до второго оператора browser () (строки 13-18) и запустите его вручную. Объект "tree" тогда будет списком длиной 1, потому что функция xml_find_all () нашла узел с именем "dossiernr" (третий узел в наборе узлов "data"), потому что текст внутри этого узла - "ExampleText" . Вы можете проверить это, набрав в консоли xml_text(data[[3]]), что равно xml_text(tree[[1]]). Вот как это должно работать.
Однако, если вместо этого вы нажмете «продолжить» после первого оператора браузера и автоматически запустите оставшийся код, когда вы перейдете ко второму оператору браузера, «дерево» будет списком длиной 0. Если вы затем наберете xml_text(data[[3]]), это окажется что текст внутри узла был заменен на «ExampleTextAnotherPieceOfExampleText» вместо просто «ExampleText». Текст внутри другого узла (узел с именем "title") добавляется к нему.
Поэтому по какой-то причине этот код ведет себя по-разному в зависимости от того, запускаю ли я его вручную или автоматически. Может ли кто-нибудь помочь мне понять, почему это происходит, и как я могу решить эту проблему? Заранее спасибо.
