在R中编辑XML文件

我有一个带有以下元素的xml文档：

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

并且想在“taxon”标签内解析一个新的字符序列.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位.例如,在您的测试数据中,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,然后是基地.

要获取taxon标记中的文本：

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

– 空,只是一个空白行.

现在,要将一个字符串替换为另一个字符串,您只需要找到“文本节点”,这是一个带有隐形魔法的XML,使它看起来就像文本但不是,并将其值设置为某个值.

给出一些带有几个序列的数据,并假设你想在开始时用CCCCC和最后的GGGGGGG括起每个序列：

<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,这是通过引用来完成的,在R中是奇数.毕竟,对象x已经改变了,尽管我们没有直接对它做任何事情.我们在循环中使用的节点是对存储在x对象中的数据的引用,指针.

无论如何,那应该是你.请注意,“解析”并不意味着完全取代,而是关于我们如何分析表达式中的语法,在这种情况下,选择XML文档的标记,属性和内容.