作者：xiaolanLin

聲明 ：本文版權(quán)歸作者和博客園共有，來源網(wǎng)址：https://www.cnblogs.com/xiaolan-Lin

一個不是學生物的孩子來搞生物，當真是變成了一塊廢鐵啊，但也是讓我體會到了一把生物信息的力量。

廢話不多說，開整！

任務：快速高效從PubMed上下載滿足條件的文獻PMID、標題（TI）、摘要（AB）。

PubMed官網(wǎng) https://pubmed.ncbi.nlm.nih.gov

此處有幾種選擇可以達到目的：

（1）官網(wǎng)上匹配篩選條件（注：匹配快速，但是下載下來的數(shù)量受到限制，每次只能下載10000條數(shù)據(jù)，甚至更少。）

可以看到，我需要的數(shù)據(jù)是有三十多萬條，但是每次只能下載10000條，那我豈不是要手動n次。。很明顯，在大批量下載文獻的情況下，官網(wǎng)不是很友好。

（2）R語言有個R包，叫做easyPubMed，這里我也給大家貼上學習指南（https://cran.r-project.org/web/packages/easyPubMed/vignettes/getting_started_with_easyPubMed.html）

由于我不喜歡用R寫代碼，所以我寫一半還是換了Python，熟練R的小伙伴可以自行根據(jù)指南走通需求。

（3）重量級庫來了，Python自帶的Bio包中的Entrez檢索庫，簡直就是我的救星，以下是我的代碼：

注：Entrez在Bio包中，Bio的安裝請移步 https://www.cnblogs.com/xiaolan-Lin/p/14023147.html

import numpy as np from Bio import Medline, Entrez # 一般是通過BioPython的Bio.Entrez模塊訪問Entrez from collections import Counter Entrez.email = '（此處寫你自己在官網(wǎng)注冊的郵箱賬號）' # 應用自己的賬號訪問NCBI數(shù)據(jù)庫 # 此處需將服務器協(xié)議指定為1.0，否則會出現(xiàn)報錯。http.client.IncompleteRead: IncompleteRead(0 bytes read) # 服務器http協(xié)議1.0，而python的是1.1，解決辦法就是指定客戶端http協(xié)議版本 import http.client http.client.HTTPConnection._http_vsn = 10 http.client.HTTPConnection._http_vsn_str = ’HTTP/1.0’ ''' Entrez 是一個檢索系統(tǒng)，可以用其訪問NCBI數(shù)據(jù)庫，比如說PubMed，GenBank，GEO等。 獲得有關(guān) global PBDE 的所有文獻的PubMed IDs ''' # handle_0 = Entrez.esearch(db='pubmed', term='drug therapy[Subheading] AND adverse effects[Subheading] AND humans[MeSH Terms]', retmax=306431) handle_0 = Entrez.esearch(db='pubmed', term='drug therapy[MeSH Subheading] AND adverse effects[MeSH Subheading] AND humans[MeSH Terms] AND (2000/01/01[Date - Publication] : 2021/12/31[Date - Publication])', ptyp='Review', usehistory='y', retmax=306431) record = Entrez.read(handle_0) # 獲取檢索條件的所有文獻 idlist = record['IdList'] # 提取出文獻id print ('Total: ', record['Count']) No_Papers = len(idlist) # 共306431篇文獻 2000-01-01:2021-12-31 webenv = record[’WebEnv’] query_key = record[’QueryKey’] total = No_Papers step = 1300 print('Result items:', total) with open('./Data_PubMed/PBDE1.txt', ’w’) as f: for start in range(0, total, step): print('Download record %i to %i' % (start + 1, int(start + step))) handle_1 = Entrez.efetch(db='pubmed', retstart=start, rettype='medline', retmode='text', retmax=step, webenv=webenv, query_key=query_key) # 獲取上述所有文獻的PubMed IDs records = Medline.parse(handle_1) records = list(records) # 將迭代器轉(zhuǎn)換至列表（list） for index in np.arange(len(records)): id = records[index].get('PMID', '?') title = records[index].get('TI', '?') title = title.replace(’[’, ’’).replace(’].’, ’’) # 若提取的標題出現(xiàn)[].符號，則去除 abstract = records[index].get('AB', '?') f.write(id) f.write('n') f.write(title) f.write('n') f.write(abstract) f.write('n')

話不多說，結(jié)果跑出來了我真的很快樂~

最后的結(jié)果是存放在txt文件中，大伙兒根據(jù)自己的需求改變代碼所需字段啊。

現(xiàn)在我來解釋一下，我貼上的這串代碼的實現(xiàn)原理，首先是通過Entrez檢索到符合我篩選條件的文獻，里邊的限制條件包括了幾個詞匯匹配以及時間限制，時間我限制在了2000年1月1日到2021年的12月31日（這里的時間我選用的是Date - Publication，時間選取Date - Completion、Date - Modification還是Date - Publication其實還是有爭議的，大家自行考慮選取）。

Entrez.esearch的作用就是用來檢索的，里邊的參數(shù)db指向你要檢索的數(shù)據(jù)庫，代碼中的注釋也寫了，Entrez作為一個接口檢索，除了能夠檢索PubMed中的文獻，也能去到別的數(shù)據(jù)庫檢索文獻；term是寫你的篩選語句，注意你寫的檢索語句不能帶有引號，單引號也不行，否則會檢索不到，如果不知道檢索語句怎么寫，或者是不知道字段是否被定義，可以在官網(wǎng)的檢索那里https://pubmed.ncbi.nlm.nih.gov/advanced/選擇字段輸入內(nèi)容自動生成query，但是生成的語句是不太智能的，會有很多括號是你不需要的，自己寫代碼的時候要適當去掉；ptyp我這里用的是Review，usehistory是y，意思是后邊我的檢索要記住這個語句，根據(jù)歷史查詢來檢索；retmax如果不進行設置的話，默認給你的最大數(shù)據(jù)量好像是只有1000，我要的檢索內(nèi)容是超過這個值的，因此我需要自定義檢索的數(shù)量。

Entrez.read是對Entrez.esearch檢索到的內(nèi)容進行讀取，里邊包含了9種元素，我們主要是想從中得到文獻的id號，只有拿到了文獻的id號，我們后面進行摘要的提取才能準確定位。

最后是循環(huán)當中步長的設置，這里就要根據(jù)自己的需求來定義了，包括內(nèi)容的提取，因為我只需要PMID、標題（TI）、摘要（AB），所以我就沒有加載別的內(nèi)容進來，這里也有一點要注意，標題下載下來是大部分帶有[ ].的，方便操作我直接就在下載的時候給去除了，這也是上面replace代碼的由來。

附上我參考的鏈接，如果我這篇文章解決不了你的問題，那么希望下面的渠道能夠幫助到你

https://zhuanlan.zhihu.com/p/54611852

https://zhuanlan.zhihu.com/p/262957260

以上就是Python 利用Entrez庫篩選下載PubMed文獻摘要的示例的詳細內(nèi)容，更多關(guān)于Python Entrez庫下載PubMed文獻的資料請關(guān)注好吧啦網(wǎng)其它相關(guān)文章！