使用 R 遍历多个 XML 文档以查找特定属性

我有一系列数千个链接到处方药标签的 URL，我试图找出有多少个 URL 带有患者药品说明书。我尝试通过读取数据框中的 URL，然后使用 XML 包解析 html，最后使用 grep 执行对字符串“Patient Package Insert”的搜索来实现此目的。最终，我试图计算患者说明书上处方药标签的数量。

我在下面整理了一个玩具示例：

library(XML)
urls <- c("http://dailymed.nlm.nih.gov/dailymed/lookup.cfm?setid=a002b40c-097d-47a5-957f-7a7b1807af7f",
         "http://dailymed.nlm.nih.gov/dailymed/lookup.cfm?setid=1842bb9f-60ab-4af9-95a4-1cfc3645ee6b", 
         "http://dailymed.nlm.nih.gov/dailymed/lookup.cfm?ndc=50419-758&start=1&labeltype=all")

Data <- data.frame(urls)
Data$insert <- lapply(Data$urls, function(x) {
   y <- xmlToList(htmlParse(x))
   y.flat <- unlist(y, recursive = TRUE)
   length(grep("Patient Package Insert", c(y.flat,names(y.flat))))
})

Data <- as.data.frame(lapply(Data, unlist))
count(Data$insert)

目前，它正在获取每个网页中包含的“患者包裹插入”链接，但只有其中一些是活动的。举例来说，上面的玩具示例中包含的第二个和第三个 URL 不具有指向“患者包裹插入”的活动链接（呈灰色），我不想将其计入最终列表中。理想情况下，我只想标记第一个链接，其中包括功能性的“患者包裹插入”链接。有谁知道如何在 R 中最好地做到这一点？如果是这样，我将非常感谢任何和所有的帮助。

非常感谢，

Chris

您可以使用类似以下内容：

xData <- lapply(Data$urls, htmlParse)
ppiData <- lapply(xData, FUN = xpathApply, path = "/descendant-or-self::*[contains(@title, 'Patient Package Insert')]", fun = xmlAttrs)
ppiData

[[1]]
[[1]][[1]]
                   title                     href                    class 
"Patient Package Insert"            "#nlm42230-3"            "nlmlinktrue" 


[[2]]
[[2]][[1]]
                   title                     href                    class 
"Patient Package Insert"            "#nlm42230-3"           "nlmlinkfalse" 


[[3]]
[[3]][[1]]
                   title                     href                    class 
"Patient Package Insert"            "#nlm42230-3"           "nlmlinkfalse" 

在这个简单的示例中，您可以处理数据框：

ppiData <- lapply(ppiData, function(x){data.frame(as.list(x[[1]]))})
ppiData <- do.call(rbind, ppiData)

> ppiData
                   title        href        class
1 Patient Package Insert #nlm42230-3  nlmlinktrue
2 Patient Package Insert #nlm42230-3 nlmlinkfalse
3 Patient Package Insert #nlm42230-3 nlmlinkfalse

使用您的真实数据集，第二步可能会更多地涉及可能的多个条目等。