PubMed XML 在 rentrez 中使用 entrez_fetch 进行解析

Question

我正在为 PubMed 中的搜索词收集作者信息和文章信息。我正在使用 rentrez 包中的 entrez_fetch 成功获取作者姓名、出版年份和其他信息。以下是我的示例代码：

library(rentrez)
library(XML)

pubmedSearch <- entrez_search("pubmed", term = "flexible ureteroscope", retmax = 100)
SearchResults <- entrez_fetch(db="pubmed", pubmedSearch$ids, rettype="xml", parsed=TRUE)
First_Name <- xpathSApply(SearchResults, "//Author", function(x) {xmlValue(x[["ForeName"]])})
Last_Name <- xpathSApply(SearchResults, "//Author", function(x) {xmlValue(x[["LastName"]])})
PubYear <- xpathSApply(SearchResults, "//PubDate", function(x) {xmlValue(x[["Year"]])})
PMID <- xpathSApply(SearchResults, "//ArticleIdList", function(x) {xmlValue(x[["ArticleId"]])})

尽管获得了我需要的所有信息，但我在确定哪些作者是哪个 PMID 时遇到了问题。这是因为每个 PMID 的作者长度不同。例如，如果我在我的代码中解析了 100 篇文章的作者信息，我得到了 100 多个作者姓名，我无法将其与相应的 PMID 相关联。总的来说，我想要一个这样的输出数据框：

 PMID       First_Name   Last_Name          PubYear
 28221147   Carlos      Torrecilla Ortiz    2017
 28221147   Sergi       Colom Feixas        2017
 28208536   Dean G      Assimos             2017
 28203551   Chad M      Gridley             2017
 28203551   Bodo E      Knudsen             2017

这样一来，我就可以知道哪些作者与哪些 PMID 相关联，这对进一步分析很有用。

仅作说明，这是我的代码的一个小示例。我正在通过 rentrez 包中的 entrez_fetch 使用 XML 解析来收集更多信息。

这个问题确实困扰着我，非常感谢任何帮助或指导。感谢您的努力和提前帮助。

Answer 1

这确实是一个关于 xpath（用于在 XML 文件中指定这些节点的语言）的问题，我并不声称自己是这方面的专家。但我想在这种情况下我可以提供帮助。

您要确保一次为一条已发布的记录（PubmedArticle 条目）提取信息。您可以编写一个函数来处理一条记录

parse_paper <- function(paper){
  last_names <- xpathSApply(paper, ".//Author/LastName", xmlValue)
  first_names <- xpathSApply(paper, ".//Author/ForeName", xmlValue)
  pmid <- xpathSApply(paper, ".//ArticleId[@IdType='pubmed']", xmlValue)
  data.frame(pmid=pmid, last_names=last_names, first_names=first_names)
}

这应该为每位作者提供一行，每行中的 pmid 相同。我们现在可以通过在每篇文章上调用该函数来将其扩展到整篇文章。

parse_multiple_papers <- function(papers){
  res <- xpathApply(papers, "/PubmedArticleSet/*", parse_paper)
  do.call(rbind.data.frame, res)
}

head(parse_multiple_papers(SearchResults))

.

      pmid       last_names first_names
1 28221147 Torrecilla Ortiz      Carlos
2 28221147     Colom Feixas       Sergi
3 28208536          Assimos      Dean G
4 28203551          Gridley      Chad M
5 28203551          Knudsen      Bodo E
6 28101159               Li    Zhi-Gang

顺便说一句，我通常不搜索 Whosebug，但会回答在 github repo 上作为问题提交的有关 rentrez 的任何问题（他们不需要 "bugs" 去那里).

PubMed XML 在 rentrez 中使用 entrez_fetch 进行解析

PubMed XML parsing using entrez_fetch in rentrez

xml

xpath

r

pubmed

ropensci