在rentrez中使用entrez_fetch解析PubMed

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成功地获取作者姓名、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"]])})

尽管我得到了我需要的所有信息，但我在弄清楚哪些作者属于哪个PMID时遇到了问题。这是因为每个PMID的作者长度不同。例如，如果我像在我的代码中那样解析100篇文章的作者信息，我会得到100多个作者的名字，并且我不能将其与各自的PMID相关联。总而言之，我希望有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

因此，通过这种方式，我可以知道哪些作者与哪个PMID相关联，这对进一步分析很有用。

仅供说明，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。

这个问题真的很困扰我，我真的很感激任何帮助或指导。提前感谢您的努力和帮助。

Answer 1

这实际上是一个关于xpath (用于在XML文件中指定那些节点的语言)的问题，我并不是这方面的专家。但我想我能帮上忙。

您希望确保一次提取一条发布记录(PubmedArticle条目)的信息。您可以为一条记录编写一个执行此操作的函数

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)
}

这应该为每个作者提供一行，每行中都有相同的pmid。现在，我们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，我通常不会搜索堆栈溢出，但我会回答任何在github repo上作为问题提交的关于rentrez的问题(它们不一定是“but”)。