Python：利用Entrez库筛选下载PubMed文献摘要

一个不是学生物的孩子来搞生物，当真是变成了一块废铁啊，但也是让我体会到了一把生物信息的力量。

废话不多说，开整！

---

任务：快速高效从PubMed上下载满足条件的文献PMID、标题（TI）、摘要（AB）。

PubMed官网 https://pubmed.ncbi.nlm.nih.gov

此处有几种选择可以达到目的：

（1）官网上匹配筛选条件（注：匹配快速，但是下载下来的数量受到限制，每次只能下载10000条数据，甚至更少。）

可以看到，我需要的数据是有三十多万条，但是每次只能下载10000条，那我岂不是要手动n次。。很明显，在大批量下载文献的情况下，官网不是很友好。

（2）R语言有个R包，叫做easyPubMed，这里我也给大家贴上学习指南（https://cran.r-project.org/web/packages/easyPubMed/vignettes/getting_started_with_easyPubMed.html）

由于我不喜欢用R写代码，所以我写一半还是换了Python，熟练R的小伙伴可以自行根据指南走通需求。

（3）重量级库来了，Python自带的Bio包中的Entrez检索库，简直就是我的救星，以下是我的代码：

　　注：Entrez在Bio包中，Bio的安装请移步 https://www.cnblogs.com/xiaolan-Lin/p/14023147.html

 1 import numpy as np
 2 from Bio import Medline, Entrez  # 一般是通过BioPython的Bio.Entrez模块访问Entrez
 3 from collections import Counter
 4
 5 Entrez.email = "（此处写你自己在官网注册的邮箱账号）"  # 应用自己的账号访问NCBI数据库
 6
 7 # 此处需将服务器协议指定为1.0，否则会出现报错。http.client.IncompleteRead: IncompleteRead(0 bytes read)
 8 # 服务器http协议1.0，而python的是1.1，解决办法就是指定客户端http协议版本
 9 import http.client
10 http.client.HTTPConnection._http_vsn = 10
11 http.client.HTTPConnection._http_vsn_str = 'HTTP/1.0'
12
13 """
14 Entrez 是一个检索系统，可以用其访问NCBI数据库，比如说PubMed，GenBank，GEO等。
15 获得有关 global PBDE 的所有文献的PubMed IDs
16 """
17 # handle_0 = Entrez.esearch(db="pubmed", term="drug therapy[Subheading] AND adverse effects[Subheading] AND humans[MeSH Terms]", retmax=306431)
18 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])",
19                           ptyp="Review", usehistory="y", retmax=306431)
20 record = Entrez.read(handle_0)  # 获取检索条件的所有文献
21 idlist = record["IdList"]  # 提取出文献id
22 print ("Total: ", record["Count"])
23 No_Papers = len(idlist)    # 共306431篇文献 2000-01-01:2021-12-31
24 webenv = record['WebEnv']
25 query_key = record['QueryKey']
26
27 total = No_Papers
28 step = 1300
29 print("Result items:", total)
30 with open("./Data_PubMed/PBDE1.txt", 'w') as f:
31     for start in range(0, total, step):
32         print("Download record %i to %i" % (start + 1, int(start + step)))
33         handle_1 = Entrez.efetch(db="pubmed", retstart=start, rettype="medline", retmode="text",
34                                  retmax=step, webenv=webenv, query_key=query_key)  # 获取上述所有文献的PubMed IDs
35         records = Medline.parse(handle_1)
36         records = list(records)  # 将迭代器转换至列表（list）
37         for index in np.arange(len(records)):
38             id = records[index].get("PMID", "?")
39             title = records[index].get("TI", "?")
40             title = title.replace('[', '').replace('].', '')  # 若提取的标题出现[].符号，则去除
41             abstract = records[index].get("AB", "?")
42             f.write(id)
43             f.write("\n")
44             f.write(title)
45             f.write("\n")
46             f.write(abstract)
47             f.write("\n")

话不多说，结果跑出来了我真的很快乐~

最后的结果是存放在txt文件中，大伙儿根据自己的需求改变代码所需字段啊。

---

现在我来解释一下，我贴上的这串代码的实现原理，首先我是先通过Entrez检索到符合我筛选条件的文献，里边的限制条件包括了几个词汇匹配以及时间限制，时间我限制在了2000年1月1日到2021年的12月31日（这里的时间我选用的是Date - Publication，时间选取Date - Completion、Date - Modification还是Date - Publication其实还是有争议的，大家自行考虑选取）。

Entrez.esearch的作用就是用来检索的，里边的参数db指向你要检索的数据库，代码中的注释也写了，Entrez作为一个接口检索，除了能够检索PubMed中的文献，也能去到别的数据库检索文献；term是写你的筛选语句，注意你写的检索语句不能带有引号，单引号也不行，否则会检索不到，如果不知道检索语句怎么写，或者是不知道字段是否被定义，可以在官网的检索那里https://pubmed.ncbi.nlm.nih.gov/advanced/选择字段输入内容自动生成query，但是生成的语句是不太智能的，会有很多括号是你不需要的，自己写代码的时候要适当去掉；ptyp我这里用的是Review，usehistory是y，意思是后边我的检索要记住这个语句，根据历史查询来检索；retmax如果不进行设置的话，默认给你的最大数据量好像是只有1000，我要的检索内容是超过这个值的，因此我需要自定义检索的数量。

Entrez.read是对Entrez.esearch检索到的内容进行读取，里边包含了9种元素，我们主要是想从中得到文献的id号，只有拿到了文献的id号，我们后面进行摘要的提取才能准确定位。

最后是循环当中步长的设置，这里就要根据自己的需求来定义了，包括内容的提取，因为我只需要PMID、标题（TI）、摘要（AB），所以我就没有加载别的内容进来，这里也有一点要注意，标题下载下来是大部分带有[ ].的，方便操作我直接就在下载的时候给去除了，这也是上面replace代码的由来。

附上我参考的链接，如果我这篇文章解决不了你的问题，那么希望下面的渠道能够帮助到你

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

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