Question

我正在尝试创建一个与pubmed api交互的函数，以检索与100个出版物相关联的xml文件。然后，我想分别解析xml文件，以检索每个出版物的标题和每个出版物的摘要。我使用Rentrez包与api进行交互，并成功检索了必要的xml文件。我使用xml包来解析xml文件，并验证了Xpath表达式检索我想要的数据。事实上，我希望从其他领域获取数据（期刊标题，网格术语等，但我在这里坚持这一步）

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：

<{1}}中的

错误（$<-.data.frame，＆＃34;摘要＆＃34;，值=列表（＆＃34;摘要文本＆＃34;）：替换有1行，数据有0

当我测试函数接收标题信息时（通过删除表达式来检索抽象信息），我收到一个空数据框，没有关于我想要的标题的信息。但那时没有错误信息。

如果我执行pubmed_parsed（＆＃34; Kandel + Eric＆＃34;，n = 2），我的目标是接收一个数据框，其中包含来自两列标题的字符向量＆＃34; ATITle＆＃34; （标题：＆＃34;小型非编码RNA在哺乳动物大脑中反转录转座子沉默的作用＆＃34; 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和＃34）。并且来自两个摘要的字符向量相应地出现在列＃34;摘要＆＃34; （部分摘要：＆＃34; Piwi相互作用的RNAs（piRNA），长期以来被认为仅限于gremlin ...＆＃34;，＆＃34;突触特异性需要两种药理学上不同类型的局部蛋白质合成...＆＃34;。）

*tmp*

Answer 1

这是获得一张桌子和一些建议的一种方法。首先，我将使用Web历史记录选项并将所有结果一起下载，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，将文章放入节点集并查询以处理所有丢失和多个标记。

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，我通常会创建一个添加NA的函数，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))
}

然后将该函数应用于节点（在xpath中具有前导点，因此它相对于该节点）。这会将多个关键字组合成逗号分隔的列表，并包含缺少关键字的第3条的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应该可以正常工作

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

如果需要，您还可以使用xmlGetAttr

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个和最后一个作者。您可以同时获取姓氏和首字母（假设两者始终存在）并在首字母之前替换逗号以获取Author字符串。然后拆分它以获得第一个和最后一个作者，甚至打印下面的前三个。

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"

在数据框中存储for循环中的数据

1 个答案: