在 R 中编辑 XML 文件

我有一个包含以下元素的 xml 文档：

<sequence id = "ancestralSequence"> 
    <taxon id="test">
     </taxon>       
    ACAGTTGACACCCTT
</sequence>

并想解析“taxon”标签内的新字符序列。我开始研究 XML 包文档，但还找不到简单的解决方案。我的代码：

# load packages
require("XML")

# create a new sequence
newSeq <- "TGTCAATGGAACCTG"

# read the xml
secondPartXml <- xmlTreeParse("generateSequences_secondPart.xml")

我用 xmlParse 读取它，然后用 XPath 表达式得到我想要的部分。例如，对于您的测试数据，以下是如何获取序列标记中文本的值：

x=xmlParse("test.xml")
xmlValue(xpathApply(x,"//sequence")[[1]])
## [1] "\n            \n    ACAGTTGACACCCTT\n"

-- 两个空行，一些空格，然后是碱基。

要获取分类单元标签中的文本：

xmlValue(xpathApply(x,"//sequence/taxon")[[1]])
## [1] "\n     "

——空，只是一个空行。

现在，要将一个字符串替换为另一个字符串，您只需找到“文本节点”，它是一些带有隐形魔法的 XML，因此它看起来就像文本，但实际上并非如此，并将其值设置为某个值。

给定一些包含几个序列的数据，假设您想将每个序列括起来，开头为 CCCCC，结尾为 GGGGGGG：

<data>
<sequence id = "ancestralSequence"> 
    <taxon id="test">Taxon
     </taxon>       
    ACAGTTGACACCCTT
</sequence>
<sequence id = "someotherSequence"> 
    <taxon id="thing">Taxoff
     </taxon>       
    GGCGGCGCGGGGGGG
</sequence>
</data>

代码如下：

# read in to a tree:
x = xmlParse("test.xml")

# this returns a *list* of text nodes under sequence
# and NOT the text nodes under taxon
nodeSet = xpathApply(x,"//sequence/text()")

# now we loop over the list returned, and get and modify the node value:
sapply(nodeSet,function(G){
  text = paste("CCCCC",xmlValue(G),"GGGGGGG",sep="")
  text = gsub("[^A-Z]","",text)
  xmlValue(G) = text
})

请注意，这是完成的引用这在 R 中很奇怪。毕竟，对象x已经改变了，尽管我们没有直接对其做任何事情。我们在循环中使用的节点是对存储在x object.

无论如何，这应该对你有用。请注意，“解析”根本不意味着替换，而是关于我们如何分析表达式中的语法，在本例中挑选出 XML 文档的标签、属性和内容。