0

我正在尝试创建一个与 pubmed api 交互的函数，以检索与 100 个出版物关联的 xml 文件。然后我想单独解析 xml 文件以检索每个出版物的标题和每个出版物的摘要。我正在使用 Rentrez 包与 api 交互，并已成功检索到必要的 xml 文件。我正在使用 xml 包来解析 xml 文件，并已验证 Xpath 表达式检索到我想要的数据。事实上，我希望从其他领域（期刊标题、网格术语等）获取数据，但我在这里停留在这一步）

但是，我无法创建适当的 for 循环来将此数据移动到数据框中。我在运行代码时收到以下错误：

$<-.data.frame( *tmp*, "Abstract", value = list("text of abstract") 中的错误：替换有 1 行，数据有 0

当我测试接收标题信息的函数（通过删除表达式以检索抽象信息）时，我收到一个空数据框，其中没有关于我想要的标题的信息。但是没有错误信息。

如果我执行 pubmed_pa​​rsed("Kandel+Eric", n=2)，我的目标是接收来自“ATitle”列中两个标题的字符向量的数据帧（标题：“Roles for small noncoding RNAs in silencing of retrotransposons在哺乳动物大脑中”和“ApCPEB4，一种含有 ApCPEB 同源物的非朊病毒结构域，参与了长期促进的启动”）。并且两个摘要中的字符向量相应地出现在“摘要”列中（摘要的部分：“Piwi-interacting RNAs (piRNAs), longthought to be limited to gremlin...”、“两种药理学上不同类型的局部突触特异性需要蛋白质合成……”）。

library(xml)
library(rentrez)
pubmed_parsed <- function(term, n=100){
    df <- data.frame(ATitle = character(), JTitle = character(), MeshTerms = character(), Abstract = character(), FAuthor = character(), LAuthor = character(), stringsAsFactors = FALSE)
  IdList <- entrez_search(db = "pubmed", term = term, retmode = "xml", retmax = n)
  for (i in 1:n){
    XmlFile <- entrez_fetch(db = "pubmed", id=IdList$ids[i], rettype = "xml", retmode = "xml", parsed=TRUE)
    Parsed <- xmlRoot(XmlFile)
    df$ATitle[i] <- xpathSApply(Parsed, "/PubmedArticleSet/PubmedArticle/MedlineCitation/Article/Title", xmlValue, simplify = FALSE)
    df$Abstract[i] <- xpathSApply(Parsed, "/PubmedArticleSet/PubmedArticle/MedlineCitation/Article/Title", xmlValue, simplify = FALSE)
  }
  df
}
4

1 回答 1

1

这是获取表格的一种方法和一些建议。首先，我会使用 Web 历史记录选项并一起下载所有结果，而不是循环下载。

ids <- entrez_search(db = "pubmed", term = "Kandel ER", use_history = TRUE)
ids
Entrez search result with 502 hits (object contains 20 IDs and a web_history object)
 Search term (as translated):  Kandel ER[Author] 

doc <- entrez_fetch(db="pubmed", web_history=ids$web_history, rettype="xml", retmax = 3, parsed=TRUE)

接下来，将文章放入一个节点集中并查询它以处理所有丢失的标签和多个标签。

articles <- getNodeSet( doc, "//PubmedArticle")
length(articles)
[1] 3
articles[[1]]
<PubmedArticle>
  <MedlineCitation Status="Publisher" Owner="NLM">
    <PMID Version="1">27791114</PMID>
    <DateCreated>
    ...

如果标签丢失，我通常会创建一个函数来添加 NA，并使用逗号连接多个标签。

xpath2 <-function(x, path, fun = xmlValue, ...){
       y <- xpathSApply(x, path, fun, ...)
     ifelse(length(y) == 0, NA,
        ifelse(length(y) > 1, paste(unlist(y), collapse=", "), y))
}

然后只需将该函数应用于节点（在 xpath 中使用前导点，因此它相对于该节点）。这会将多个关键字组合成一个逗号分隔的列表，并在缺少关键字的文章 3 中包含 NA。

sapply(articles, xpath2,  ".//Keyword")
[1] "DNA methylation, behavior, endogenous siRNA, piwi-interacting RNA, transposon"
[2] "Aplysia, CPEB, CPEB4, Long-term facilitation"                                 
[3] NA

大多数 xpath 应该可以工作 

sapply(articles, xpath2,  ".//PubDate/Year")
[1] "2016" "2016" "2016"
sapply(articles, xpath2,  ".//ArticleId[@IdType='pmc']")
[1] "PMC5111663" "PMC5075418" NA

xmlGetAttr如果需要，您也可以使用

sapply(articles, xpath2,  ".//Article", xmlGetAttr, "PubModel")
[1] "Print-Electronic" "Electronic"       "Electronic"

最后，创建一个data.frame

data.frame( 
  ATitle = sapply(articles, xpath2,  ".//ArticleTitle"),
  JTitle = sapply(articles, xpath2,  ".//Journal/Title"),
Keywords = sapply(articles, xpath2,  ".//Keyword"),
 Authors = sapply(articles, xpath2,  ".//Author/LastName"),
Abstract = sapply(articles, xpath2,  ".//AbstractText"))

我不确定 MeSH 术语发生了什么，但我只在我下载的几个示例中看到了关键字。此外，可能有几种方法可以获得第一作者和最后作者。您可以同时获取姓氏和首字母（假设两者始终存在）并替换首字母之前的逗号以获得​​作者字符串。然后将其拆分以获得第一位和最后一位作者，甚至打印下面的前三位。

au <- sapply(articles, xpath2,  ".//Author/LastName|.//Author/Initials")
au <- gsub(",( [A-Z]+,?)", "\\1", au)
authors_etal <- function(x, authors=3, split=", *"){
   y <- strsplit(x, split)
   sapply(y, function(x){
      if(length(x) > (authors + 1))  x <- c(x[1:authors], "et al.")
      paste(x, collapse=", ")
   })
}

authors_etal(au)
[1] "Nandi S, Chandramohan D, Fioriti L, et al."
[2] "Lee SH, Shim J, Cheong YH, et al."         
[3] "Si K, Kandel ER"
于 2016-12-02T23:23:24.337 回答