網絡爬蟲
（web crawler），也叫網絡蜘蛛（spider），是一種用來自動瀏覽萬維網的網絡機器人。其目的一般為編纂網絡索引。各大搜索引擎都可以被看做爬蟲，根據爬取的內容更新自身的網站內容或其對其他網站的索引。一般如果想批量從網頁獲取數據，有download或者API(之前推送過使用API提取TCGA數據)頁面最好，沒有的話可以考慮使用爬蟲爬取。
??本期使用R語言批量爬取NCBI基因注釋信息，主要用到了XML包的getNodeSet函數。需要使用者有一定html+css基礎，以及理解并能使用XML路徑語言(xpath)。
使用R爬取NCBI人類基因信息流程如下：
??首先準備目標基因文件，我們以下面這幾個基因（gene symbol的形式）為例進行爬取其在NCBI(gene)中的信息,基因列表文件可以從這里下載（https://pan.baidu.com/s/1c2jbvby）。
載入要用到的包并讀入基因列表：
library(RCurl)
library(stringr)
library(XML)
library(clusterProfiler)
rm(list=ls())
# 讀入基因列表：
genes <- read.table("test_genes.txt",header = T,stringsAsFactors = F)
從下圖可以發現NCBI對于基因頁面的索引方式都是 https://www.ncbi.nlm.nih.gov/gene/Entrze ID 的方式。
所以我們需要將gene symbos轉為entrze ID，這里使用clusterProfiler包的bitr函數進行轉換：
# 將gene symbol轉為entrze ID:
genes <- bitr(genes$SYMBOL, fromType="SYMBOL", toType="ENTREZID", OrgDb="org.Hs.eg.db")
然后獲得每個基因在NCBI中的索引鏈接：
# 網址數據框：
genes$NCBI_url <- paste("https://www.ncbi.nlm.nih.gov/gene/",genes$ENTREZID,sep="")
head(genes)
??使用XML包的getNodeSet()函數需要兩個參數，一個是根據URL獲得的網頁XML document對象，另一個是要定位的節點(xpath格式)。不了解xpath的可以點擊頁面左下角閱讀全文查看其基本語法。不過我們可以在不了解語法的情況下獲得要定位節點的xpath。只需要在chrome瀏覽器里打開NCBI的gene信息頁面，我們以基因DBNDD1為例，然后再按一下F12就可以調出chrome瀏覽器自帶的開發者工具：
??比如說我們要爬取基因的Official Full name信息，我們只需要在調出來的開發者工具欄右上角點幾下那個小箭頭，然后在點下Official Full name然后在右上方的源代碼顯示Official Full name的位置點擊右鍵，選擇Copy，Copy XPath。
我們可以得到這樣的xpath字段：
# Official Full name的xpath：//*[@id="summaryDl"]/dd[2]/text()
??使用同樣的方法，我們可以獲得基因的HGNC ID，Gene type和Summary等任何部分的xpath。
# HGNC ID的xpath：//*[@id="summaryDl"]/dd[3]/a
# Gene type的xpath：//*[@id="summaryDl"]/dd[5]/text()
# Summary的xpath：//*[@id="summaryDl"]/dd[10]/text()
到這里準備工作就結束了，接下來構建并調用函數來爬取每個基因這4個字段的信息：
# 根據xpath獲取節點內容：
getNodesTxt <- function(html_txt1,xpath_p){
els1 = getNodeSet(html_txt1, xpath_p)
# 獲得Node的內容，并且去除空字符：
els1_txt <- sapply(els1,xmlValue)[!(sapply(els1,xmlValue)=="")]
# 去除\n：
str_replace_all(els1_txt,"(\\n )+","")
}
# 處理節點格式，為character且長度為0的賦值為NA：
dealNodeTxt <- function(NodeTxt){
ifelse(is.character(NodeTxt)==T && length(NodeTxt)!=0 , NodeTxt , NA)
}
使用一個for循環獲得每個基因的信息并存儲到數據框：
for(i in 1:nrow(genes)){
# 獲得網址：
doc <- getURL(genes[i,"NCBI_url"])
cat("成功獲得網頁！\t")
# 獲得網頁內容
html_txt1 = htmlParse(doc, asText = TRUE)
# 獲得Full Name:
genes[i,"FullName"] <- dealNodeTxt(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[2]/text()'))
cat("寫入基因\t")
# 獲得HGNC ID:
genes[i,"HGNC_ID"] <- str_replace_all(dealNodeTxt(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[3]/a')),"HGNC|:","")
cat("寫入HGNC_ID\t")
# 獲得Gene type:
genes[i,"GeneType"] <- dealNodeTxt(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[5]/text()'))
cat("寫入GeneType\t")
# 獲得summary：
genes[i,"Summary"] <- ifelse(length(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[10]/text()'))!=0,getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[10]/text()'),NA)
cat("寫入Summary\n")
print(paste("完成第",i,"個了！"))
}
爬取結果如下：
??上面的節點的xpath中的標簽是按照順序在chrome生成的，這樣就存在一個問題，如果某個基因沒有某個屬性，則這個屬性后續的所有節點的xpath都將發生改變。如下圖所示的兩個基因，一個有別名，一個沒有別名，則這兩個基因的Summary的xpath就是不同的，而我們是按照有別名基因的xpath爬取的，所以爬取到沒有別名的基因時的summary就會出錯。
??為了能夠精確爬取到想要的數據，這里就需要使用到xpath的軸和函數獲得準確的節點定位。下面直接附上代碼：
# xpath精確定位：
for(i in 1:nrow(genes)){
# 獲得網址：
doc <- getURL(genes[i,"NCBI_url"])
cat("成功獲得網頁！\t")
# 獲得網頁內容
html_txt1 = htmlParse(doc, asText = TRUE)
# 獲得Full Name:
genes[i,"FullName"] <- str_split(dealNodeTxt(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[preceding-sibling::dt[contains(text(),"Symbol") and position()=1 ] ]')),"provided")[[1]][1]
cat("寫入基因\t")
# 獲得HGNC ID:
genes[i,"HGNC_ID"] <- str_replace_all(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[preceding-sibling::dt[text()="Primary source" and position()=1 ] ]')," |HGNC|:","")
cat("寫入HGNC_ID\t")
# 獲得Gene type:
genes[i,"GeneType"] <- dealNodeTxt(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[preceding-sibling::dt[text()="Gene type" and position()=1 ] ]'))
cat("寫入GeneType\t")
# 獲得summary：
genes[i,"Summary"] <- dealNodeTxt(getNodesTxt(html_txt1,'//*[@id="summaryDl"]/dd[preceding-sibling::dt[text()="Summary" and position()=1 ] ]'))
cat("寫入Summary\n")
print(paste("完成第",i,"個了！"))
}
精確爬取結果如下，驗證都是正確的。
??爬取結果的準確性依賴于節點定位是否準確，定位既可以通過xpath，也可以通過CSS，rvest包提供里這兩種定位方式。并且rvest包使用magrittr包的%*%操作符，增強了代碼的可讀性。
更多原創精彩視頻敬請關注生信雜談:
