Быстрое разделение XML-документа на data.frames по выражению xpath

Question

Я написал функцию для разбиения (больших) гетерогенных XML-файлов в кадры данных, где split выполняется с помощью выражения xpath. По гетерогенному я имею в виду, что интересующие предметы попадают в набор разных «столбчатых» структур. Однако для больших ish XML-файлов, скажем, 50K элементов и 5 типов, код кажется более «вялым», чем я ожидал.

Вопрос в том, существует ли существующая функциональность для этого, которую я пропустил, а если нет, есть ли очевидный способ повысить скорость кода ниже?

Вот минимальный пример такого рода структуры XML я рассматриваю:

xmldoc <- xml2::read_xml(
    '<?xml version="1.0" encoding="UTF-8" standalone="yes"?> 
    <resp> 

    <respMeta> 
     <status>200</status> 
     <!-- ... -->  
    </respMeta> 

    <content> 
     <list> 
     <item> 
      <Type>Type1</Type> 
      <ColA>Foo</ColA> 
      <ColB>Bar</ColB> 
     </item> 
     <item> 
      <Type>Type2</Type> 
      <ColC>Baz</ColC> 
     </item> 
     <item> 
      <Type>Type3</Type> 
      <ColA>Lorem</ColA> 
      <ColB>Ipsum</ColB> 
      <ColC>Dolor</ColC> 
     </item> 
     </list> 
     <!-- ... many many more entries here --> 
    </content> 

    </resp>') 

Цель состоит в том, чтобы преобразовать это в N кадров данных, где N является количество уникальных значений в //item/Type (который неизвестен во время разбора).

Вот моя реализация:

#' Split XML Document into Dataframes by Xpath Expression 
#' 
#' @param xml An (xml2) xml document object. 
#' 
#' @param xpath the path to the values to split by. \code{xml_text} is used 
#' to get the value. 
#' 
#' @importFrom xml2 xml_text xml_find_all xml_find_first xml_children xml_name 
#' @importFrom stats setNames 
#' @importFrom dplyr bind_cols 
#' @importFrom magrittr %>% 
#' 
#' @return list of data frames (tbl_df) 
#' 
#' @export 
xml_to_dfs <- function(xml, xpath) 
{ 
    u <- xml_find_all(xml, xpath) %>% xml_text %>% unique %>% sort 

    select <- paste0(xpath, "[. ='", u, "']/..") %>% setNames(u) 

    paths <- 
    lapply(select, . %>% xml_find_first(x = xml) %>% xml_children %>% xml_name) 

    queries <- Map(paste, select, paths, MoreArgs = list(sep = "/")) 

    columns <- 
    lapply(queries, . %>% lapply(. %>% xml_find_all(x = xml) %>% xml_text)) 

    Map(setNames, columns, paths) %>% lapply(bind_cols) 
} 

В результате минимального, например, только один ряд в каждом кадре, тогда:

xml_to_dfs(xmldoc, "//item/Type") 
$Type1 
# A tibble: 1 × 3 
    Type ColA ColB 
    <chr> <chr> <chr> 
1 Type1 Foo Bar 

$Type2 
# A tibble: 1 × 2 
    Type ColC 
    <chr> <chr> 
1 Type2 Baz 

$Type3 
# A tibble: 1 × 4 
    Type ColA ColB ColC 
    <chr> <chr> <chr> <chr> 
1 Type3 Lorem Ipsum Dolor 

Answer 1

А что-то вроде этого:

require(xml2) 
require(purrr) 

oc <- read_xml("path-to-xml-file") 
xml_find_all(doc, ".//item") %>% 
    map(xml_children) %>% 
    map(~as_tibble(t(set_names(xml_text(.), xml_name(.))))) #or map_df 

Я бы даже пошел за map_df в последней строке, которая дает вам:

# A tibble: 3 × 4 
    Type ColA ColB ColC 
    <chr> <chr> <chr> <chr> 
1 Type1 Foo Bar <NA> 
2 Type2 <NA> <NA> Baz 
3 Type3 Lorem Ipsum Dolor 

P.S .: Это также связано с: https://github.com/hadley/purrr/issues/255