我有一个非常大的大约45 GB的XML文件,我试图解析并创建一个数据帧。 xml具有相当简单的结构,如下所示。我想读取标签<event>
下的属性,当型号为输入链接或左侧链接。R当DOM和SAX解析器都失败时该怎么办?
<?xml version="1.0" encoding="utf-8"?>
<events version="1.0">
<event time="10800.0" type="actend" person="9982471" link="21225" actType="home" />
<event time="10800.0" type="departure" person="9982471" link="21225" legMode="car" />
<event time="10800.0" type="PersonEntersVehicle" person="9982471" vehicle="9982471" />
<event time="10800.0" type="actend" person="9656271" link="21066" actType="home" />
<event time="10833.0" type="entered link" person="4250461" link="24329" vehicle="4250461" />
<event time="10835.0" type="left link" person="1662941" link="29242" vehicle="1662941" />
<event time="10835.0" type="entered link" person="1662941" link="29239" vehicle="1662941" />
<event time="10836.0" type="left link" person="7651702" link="7359" vehicle="7651702" />
<event time="10836.0" type="entered link" person="7651702" link="7407" vehicle="7651702" />
<event time="10840.0" type="left link" person="8909152" link="5664" vehicle="8909152" />
</events>
我试过基于DOM的xmlparse()
函数,但由于内存问题,它没有帮助。然后,我尝试了一个基于SAX的代码(如下所示),但它耗时太长。例如,要读取1%的样本并从中创建一个数据框,我花了大约5个小时。因此,为了完成整个数据,我需要大约20天的时间(假设它可以线性缩放)。你能帮我解决这个问题吗?以下是指向very small sample,1% sample,5% sample和full data的链接。
这是我使用的SAX代码。
library(XML)
branchFunction <- function() {
store <- new.env()
new_counter <- (function() {
i <- 0
function() {
i <<- i + 1
i
}
})()
func <- function(x, ...) {
ns <- getNodeSet(x,path = "//event[@type='left link' or @type='entered link']")
value <- lapply(ns, xmlAttrs)
store[[toString(new_counter())]] <- value
}
getStore <- function() { as.list(store) }
list(event = func, getStore=getStore)
}
myfunctions <- branchFunction()
xmlEventParse(file = "percent1.gz", handlers = NULL, branches = myfunctions)
l <- myfunctions$getStore()
l <- unlist(l, recursive = FALSE)
df <- data.frame(matrix(unlist(l), nrow=length(l), byrow=T),stringsAsFactors=FALSE)
colnames(df) <- c("time", "type", "person", "link", "carid")
的输出必须是这样的
> head(df)
time type person link carid
1 10934.0 entered link 9656271 16260 9656271
2 10935.0 left link 8909152 6014 8909152
3 10935.0 entered link 8909152 6034 8909152
4 10936.0 left link 1504062 25541 1504062
5 10936.0 entered link 1504062 25384 1504062
6 10936.0 left link 3055801 31464 3055801
你做错事在你的SAX方法,可能重新处理每个XPath表达式整个文件。 –
它可能是。但是,我不知道我的代码是否以及什么是问题。 – Gandalf
在XPath中,双向正斜杠'//'搜索xml文档中的任何地方,并且通常被认为是一种昂贵的方法,因为每个命令都会扫描树结构中的所有潜在后代。 – Parfait