如何使用 R 的 XML 库进行 xpath 查询？

Question

xml 文件有这个片段：

<?xml version="1.0"?>
<PC-AssayContainer
    xmlns="http://www.ncbi.nlm.nih.gov"
    xmlns:xs="http://www.w3.org/2001/XMLSchema-instance"
    xs:schemaLocation="http://www.ncbi.nlm.nih.gov ftp://ftp.ncbi.nlm.nih.gov/pubchem/specifications/pubchem.xsd"
>
....
    <PC-AnnotatedXRef>
      <PC-AnnotatedXRef_xref>
        <PC-XRefData>
          <PC-XRefData_pmid>17959251</PC-XRefData_pmid>
        </PC-XRefData>
      </PC-AnnotatedXRef_xref>
    </PC-AnnotatedXRef>

我尝试使用 xpath 的全局搜索来解析它，并尝试使用一些命名空间：

library('XML')
doc = xmlInternalTreeParse('http://s3.amazonaws.com/tommy_chheng/pubmed/485270.descr.xml')
>xpathApply(doc, "//PC-XRefData_pmid")
list()
attr(,"class")
[1] "XMLNodeSet"
> getNodeSet(doc, "//PC-XRefData_pmid")
list()
attr(,"class")
[1] "XMLNodeSet"
> xpathApply(doc, "//xs:PC-XRefData_pmid", ns="xs")
list()
> xpathApply(doc, "//xs:PC-XRefData_pmid", ns= c(xs = "http://www.w3.org/2001/XMLSchema-instance"))
list()

不应该 xpath 匹配：

<PC-XRefData_pmid>17959251</PC-XRefData_pmid>

Answer 1

这是常见问题解答。

这：//PC-XRefData_pmid

表示：文档中无命名空间或空命名空间下的任何 PC-XRefData_pmid

这并不意味着默认命名空间下文档中的任何 PC-XRefData_pmid

另外，您的文档示例尚未完成，但看起来您的 PC-XRefData_pmid 元素位于 http://www.ncbi.nlm.nih.gov 命名空间

Answer 2

由于默认命名空间是 NIH 命名空间（其 URI 为“http://www.ncbi.nlm.nih.gov”），（以及 XML 中的所有其他元素）没有命名空间前缀的文档）位于该 NIH 命名空间中。

因此，要将它们与 XPath 匹配，您需要告诉 XPath 处理器您要为 NIH 名称空间使用什么前缀，并且需要在 XPath 中使用该前缀。

因此，在不了解 R 的情况下，我会尝试

xpathApply(doc, "//nih:PC-XRefData_pmid",
   ns= c(nih = "http://www.ncbi.nlm.nih.gov"))

否则，

getNodeSet(doc, "//*[local-name() = 'PC-XRefData_pmid']")

因为后者会绕过名称空间。

仅仅因为 XML 文档将 NIH 命名空间声明为默认命名空间并不意味着 XPath 处理器会知道这一点。在 XML 信息模型中，命名空间前缀并不重要。因此，当我解析 XML 文档时，NIH 命名空间是否绑定到“nih:”前缀或“snizzlefritz”并不重要。 :" 前缀或“”（默认）前缀。 XML 解析器或 XPath 处理器不必知道什么前缀绑定到 XML 文档中的什么名称空间。特别是因为同一文档中不同位置的同一名称空间可能有多个不同的前缀绑定......反之亦然。因此，如果您希望 XPath 表达式与命名空间中的元素匹配，则必须向 XPath 处理器声明该命名空间。

编辑：有一些警告，由 @Jim Pivarski 贡献：

• “doc”必须是 xml 节点，而不是文档（类“XMLNode”或“XMLInternalElementNode”，而不是“XMLDocument”或“ XML 内部文档”）。
• 至少在 Jim 的版本（XML_3.93-0）中，命名参数是“namespaces”，而不是“ns”。

因此，如果“doc”是文档类的实例，则正确的解决方案是：

xpathApply(xmlRoot(doc), "//nih:PC-XRefData_pmid",
   namespaces = c(nih = "http://www.ncbi.nlm.nih.gov"))