在R语言的数据分析工作中，经常会遇到以XML格式存储的配置文件、接口返回结果或旧系统导出报表。XML凭借良好的层级结构描述能力，在跨平台数据交换中仍被广泛使用。R语言通过XML包提供了完整的解析与查询能力，让分析师无需离开R环境就能完成从原始报文到分析表格的转换。
一、XML包的安装与基础加载
在开始处理之前，需要先确保XML包已经安装在R环境中。XML包是CRAN上的经典扩展，底层调用libxml2库，能够稳定解析各类符合标准的XML文档。如果尚未安装，可以通过标准的install.packages函数完成，安装后使用library加载即可。
需要注意的是，XML包在不同操作系统上均可用，但在Windows平台有时会依赖预编译的二进制版本。若安装源码包失败，建议直接选择CRAN提供的二进制发行版。加载成功后，我们就拥有了xmlParse、xmlTreeParse、getNodeSet等核心函数。
# 安装并加载XML包
install.packages("XML")
library(XML)
# 查看包版本，确认加载成功
packageVersion("XML")
二、读取XML文件的常用方式
XML包主要提供两种解析思路：DOM方式（一次性读入内存构建树）和SAX方式（事件驱动逐节点处理）。对于常规数据分析任务，DOM方式更直观，因为我们可以随时用XPath定位任意节点。xmlParse函数就是典型的DOM入口，它返回一个XMLInternalDocument对象。
如果XML内容已经以字符串形式存在于R变量中，也可以使用xmlParse，它同样支持字符串输入。当文件很大、内存吃紧时，才需要考虑SAX模式，通过xmlEventParse注册回调函数来处理。下面演示从本地文件读取并解析的最简流程。
# 假设有一个本地文件 data.xml
xml_text <- '<root><item id="1">苹果</item><item id="2">香蕉</item></root>'
# 从字符串解析
doc <- xmlParse(xml_text)
# 从文件解析
# doc <- xmlParse("data.xml")
# 查看根节点名称
xmlRoot(doc)
三、使用XPath提取节点与属性
XPath是XML查询的核心语言，XML包通过getNodeSet和xpathSApply将XPath引入R。通过路径表达式，我们可以跳过繁琐的递归遍历，直接拿到目标节点集合。例如用“//item”选取所有item节点，用“//item/@id”拿到全部id属性。
在实际数据分析中，往往只需要某几层下的特定标签。此时写清楚相对路径能提升效率，也避免误抓同名节点。提取出的节点可用xmlValue取文本，用xmlAttrs取属性列表。下面的代码展示如何把一个简单XML转成数据框。
# 继续使用上面的 doc nodes <- getNodeSet(doc, "//item") # 提取文本与属性 id_list <- sapply(nodes, function(n) xmlAttrs(n)["id"]) name_list <- sapply(nodes, xmlValue) result_df <- data.frame(id = id_list, name = name_list, stringsAsFactors = FALSE) print(result_df)
四、将嵌套XML转换为分析用数据框
真实场景里的XML常常带有多层嵌套，比如订单中包含多个商品，每个商品又有价格和数量子节点。如果直接扁平化会丢失结构关系，因此一般先按父节点分组，再合并子节点信息。xpathSApply配合自定义函数能够优雅地处理这类情况。
相比用循环手动拼表，这种函数式写法更不易出错，也方便后续用tidyr::unnest展开。下面构造一个稍复杂的XML，演示如何提取每笔订单的编号与商品名，并组成可分析的长表。
xml_orders <- '<orders>
<order no="A01"><goods>鼠标</goods><goods>键盘</goods></order>
<order no="A02"><goods>显示器</goods></order>
</orders>'
doc2 <- xmlParse(xml_orders)
orders <- getNodeSet(doc2, "//order")
parse_order <- function(o) {
no <- xmlAttrs(o)["no"]
goods <- xpathSApply(o, "./goods", xmlValue)
data.frame(order_no = no, goods = goods, stringsAsFactors = FALSE)
}
df_orders <- do.call(rbind, lapply(orders, parse_order))
print(df_orders)
五、常见错误与处理建议
初学者常遇到“XML声明编码不一致”导致的乱码，这时应在xmlParse中显式指定encoding参数，例如encoding = "UTF-8"。另外一个易错点是把<code>xmlValue</code>用在还有子节点的元素上，结果只拿到第一部分文本，此时应改用xpathSApply逐层取。
当XML带有命名空间时，XPath必须带上命名空间前缀或在函数里传入namespaces参数，否则getNodeSet会返回空列表。建议在解析前用namespaces函数查看，并在表达式中统一处理，避免后期排查困难。
# 指定编码读取，避免中文乱码
doc3 <- xmlParse("utf8_file.xml", encoding = "UTF-8")
# 查看命名空间（若有）
# xmlNamespaceDefinitions(doc3)
六、结合dplyr做后续数据分析
一旦XML数据变成数据框，就可以无缝接入tidyverse体系。用dplyr做分组汇总、用ggplot2画分布，都和普通表格没有区别。这种“XML进、数据框出”的管道，是R语言处理异构数据的典型套路。
例如对上述订单表，我们可以统计每件商品出现的次数，快速看出热销品类。整体来看，XML包负责把半结构化数据拉平，其余清洗与建模交给更擅长的工具，职责清晰且易于维护。
library(dplyr) goods_count <- df_orders %>% group_by(goods) %>% summarise(sold = n()) %>% arrange(desc(sold)) print(goods_count)