R语言从SNPedia批量提取搜索数据

 SNP是单核苷酸多态性，人的基因是相似的，有些位点上存在差异，这种某个位点的核苷酸差异就做单核苷酸多态性，它影响着生物的性状，影响着对某些疾病的易感性。SNPedia是一个SNP调査百科，它引用各种已经发布的文章，或者数据库信息对SNP位点进行描述，共享着人类基因组变异的信息。我们可以搜索某个SNP位点来寻找与之相关的信息，也可以根据相关疾病，症状来寻找相关的SNP。
初次使用SNPedia
  SNPedia主页网址为http://snpedia.com/index.php/SNPedia，比如我想查找与crouzon综合症相关的SNP，只需要在SNPedia中搜索crouzon syndrome,即会出现许多相关的SNP搜索结果

  如果这时候我想看每个SNP的相关信息，我就要每个链接分别点进去

  后来发现我们只需要提取里面的部分信息，Orientation，Stabilized，Reference，Chromosome，Position，Gene，还有clinvar表格信息，这时候我们就可以从网页中利用RCurl包，XML包，正则表达是把所需要的内容提取出来，有效抓取有用信息。
知识准备
RCurl包和XML包
   readHTMLTable(doc) #doc 是XML或者HTML格式文本，可以是文件名，也可以是刚刚parse的html对象，该函数返回XML或HTML中的表格
正则表达式

这里阐述基本的正则表达式使用
  [ ]中括号，匹配中括号里面的任意字符，例如[a]匹配"a"
  [a-z]表示匹配a到z任意字母，[A-Z]匹配大写A到Z，[0-9]匹配0-9任意数字
  [ ]*中括号加*表示匹配任意次，[ ]+表示匹配至少一次，例如[a-zA-z,;: ]+表示匹配小写和大写字母,;:和空格至少一次
  [ a|b ] 匹配a或者b
  直接输入字符，实现精确定位。比如"apple[a-zA-z,;: ]+",定位到apple开头的后面匹配小写和大写字母,;:和空格至少一次的内容
  [\u4E00-\u9FA5]匹配汉字
R语言gregexpr函数

  使用方法：gregexpr(pattern,istring， fixed = FALSE) #pattern就是要匹配正则表达是，istring是待匹配的字符串矢量,比如c("abc","cdf")，fixed, 如果设置为true,默认pattern是真正的字符串，不会作为其它使用，相当于转义， 函数返回列表，包括每个字符串的匹配长度和是否匹配）
实例

 这里直接上代码，代码里面有着详细解释，许多函数以后可以直接复制使用，或者放进一个自己做的R包

#!/usr/bin/env Rscript
download <- function(strURL){
  #输入网址返回html树格式文件
  #strURL：网页链接地址  return: html树文件
  h <- basicTextGatherer()# 查看服务器返回的头信息
  txt <- getURL(strURL, headerfunction = h$update,.encoding="gbk") ## 字符串形式
  htmlParse(txt,asText=T,encoding="gbk")      #选择gbk进行网页的解析
}

getinf <- function(strURL){   
  #主要提取网页信息函数
  #strURL:网页链接网址  return:包括所要的所有信息的data.frame
doc<- download(strURL)
#写如标题
info<- data.frame("Title"=strsplit(xmlValue(getNodeSet(doc,'//title')[[1]])," -")[[1]][1])  #"rs... - SNPedia"进行split
#写入"Geno Mag Summary "table
GMS_table <- readHTMLTable(doc)
GMS_index <- 0
for (p in 1:6){
  if (length(GMS_table[[p]])==3){
    GMS_index <- p
  }
}
if (GMS_index!=0){
for (i in 1:length(GMS_table[[GMS_index]])){
  tmp <- ""
  for (t in 1:nrow(GMS_table[[GMS_index]][i])){
    if(tmp==""){tmp <-as.vector(GMS_table[[GMS_index]][i][t,1])}else{
    tmp <- paste(tmp,as.vector(GMS_table[[GMS_index]][i][t,1]),sep=";")
      }
  }
   if (i==1){info$Geno <-tmp}
   else if (i==2){info$Mag <-tmp}
   else if (i==3){info$Summary <- tmp
   tmp <- ""
   }
}
}else{
  info$Geno <-" "
  info$Mag <-" "
  info$Summary <- " "
}
#写入剩下table信息
mes <- getNodeSet(doc,'//td')
mes2 <- list()
for (c in mes){
  d <- xmlValue(c)
  if (mes==""){
    mes2=d
  }else{
    mes2=c(mes2,d)
  }
}
tmp <- greg_return_string("Make[-A-Za-z0-9_.%;\\(\\), ]+",mes2)
if (length(tmp)==2){info$"Make"=paste(strsplit(tmp[[1]]," ")[[1]][2],strsplit(tmp[[2]]," ")[[1]][2],sep=";")}else{info$"Make"=" "}
for (i in (1:length(pattlistMainTable))){
  tmp <- greg_return_index(pattlistMainTable[[i]],mes2)
  if (i==1 && length(tmp)==1){info$"Orientation"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i==1 && length(tmp)!=1){info$"Orientation"=" "}
  else if (i==2 && length(tmp)==1){info$"Stabilized"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i==2 && length(tmp)!=1){info$"Stabilized"=" "}
  else if (i==3 && length(tmp)==1){info$"Reference"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i==3 && length(tmp)!=1){info$"Reference"=" "}
  else if (i==4 && length(tmp)==1){info$"Chromosome"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i==4 && length(tmp)!=1){info$"Chromosome"=" "}
  else if (i==5 &&length(tmp)==1){info$"Position"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i==5 && length(tmp)!=1){info$"Position"=" "}
  else if (i==6&&length(tmp)==1){info$"Gene"=strsplit(mes2[[tmp+1]],"\n")[[1]]}else if (i==6 && length(tmp)!=1){info$"Gene"=" "}
}
#写入clivar
mes <- getNodeSet(doc,'//tr')
mes2 <- list()
for (c in mes){
  d <- xmlValue(c)
  if (mes==""){
    mes2=d
  }else{
    mes2=c(mes2,d)
  }
}
for (i in (1:length(pattlistClinvar))){
  tmp <- greg_return_string(pattlistClinvar[i],mes2)
  if (length(tmp)!=0){tmp <- tmp[[1]]}
  if (i==1 && length(tmp)!=0){info$"Risk"=strsplit(tmp,"\n")[[1]][3]}else if (i==1 && length(tmp)==0){info$"Risk"=" "}
  else if (i==2 && length(tmp)!=0){info$"Alt"=strsplit(tmp,"\n")[[1]][3]}else if (i==2 && length(tmp)==0){info$"Alt"=" "}
  else if (i==3 && length(tmp)!=0){info$"ReferenceBase"=strsplit(tmp,"\n")[[1]][3]}else if (i==3&& length(tmp)==0){info$"ReferenceBase"=" "}
  else if (i==4 && length(tmp)!=0){info$"Significance"=strsplit(tmp,"\n")[[1]][2]}else if (i==4 && length(tmp)==0){info$"Significance"=" "}
  else if (i==5&& length(tmp)!=0){info$"Disease "=strsplit(tmp,"\n")[[1]][3]}else if (i==5 && length(tmp)==0){info$"Disease "=" "}
  else if (i==6 && length(tmp)!=0){info$"CLNDBN"=strsplit(tmp,"\n")[[1]][3]}else if (i==6 && length(tmp)==0){info$"CLNDBN"=" "}
  else if (i==7 && length(tmp)!=0){info$"Reversed"=strsplit(tmp,"\n")[[1]][3]}else if (i==7 && length(tmp)==0){info$"Reversed"=" "}
  else if (i==8 && length(tmp)!=0){info$"HGVS"=strsplit(tmp,"\n")[[1]][3]}else if (i==8 && length(tmp)==0){info$"HGVS"=" "}
  else if (i==9 && length(tmp)!=0){info$"CLNSRC"=strsplit(tmp,"\n")[[1]][3]}else if (i==9 && length(tmp)==0){info$"CLNSRC"=" "}
  else if (i==10 && length(tmp)!=0){info$"CLNACC "=strsplit(tmp,"\n")[[1]][3]}else if (i==10 && length(tmp)==0){info$"CLNACC "=" "}
 
}

info
}

greg_return_string <- function(pattern,stringlist){
  #greg_return_stirng 指定匹配全部字符串列表，返回匹配的字符串
  #pattern:匹配模式,比如"abc[a-z]*"  stringlist:字符串列表，list("abc","abcde","cdfe")   return : 列表里字符串匹配结果，"abc""abcde"
  findlist <- gregexpr(pattern,stringlist)
  needlist <- list()
  for (i in which(unlist(findlist)>0)){
    preadress <- substr(stringlist[i],findlist[[i]],findlist[[i]]+attr(findlist[[i]],'match.length')-1)
    needlist<- c(needlist,list(preadress))
  }
  return(needlist)
}
greg_return_index <- function(pattern,stringlist){
  #greg_return_stirng 指定匹配全部字符串列表，返回存在匹配的字符串列表index
  #pattern:匹配模式   stringlst:待匹配字符串列表   return:存在返回匹配的字符串在列表中的index
  findlist <- gregexpr(pattern,stringlist)
  needlist <- list()
  which(unlist(findlist)>0)
  }

extradress <- function(strURL){
  #将strURL网页里面我们所需要链接提取出来并加工
  #strURL:网页链接网址   return:网址列表，包括所有提取加工后的网址链接
  pattern <- "/index.php/Rs[0-9]+"
  prefix <- "http://snpedia.com"
  links <- getHTMLLinks(strURL)
  needlinks <- gregexpr(pattern,links)
  needlinkslist <- list()
    for (i in which(unlist(needlinks)>0)){
      preadress <- substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)
      needlinkslist<- c(needlinkslist,list(preadress))
      adresses <- lapply(needlinkslist,function(x)paste(prefix,x,sep=""))
   
  }
  adresses
}

greg <- function(pattern,istring){
  #greg函数查看单个字符串istring,并且返回匹配的部分，不匹配返回空
  gregout <- gregexpr(pattern,istring)
  substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
}

 
library(RCurl)
library(XML)

#自定义部分
strURL <- "http://snpedia.com/index.php?title=Special%3ASearch&profile=default&fulltext=Search&search=Congenital+adrenal+hyperplasia"
output <- "ouput.txt"

message(paste("[prog]",strURL,output,sep=" "))

strURLs <- extradress(strURL)
pattlistMainTable <- list("Orientation$","Stabilized$","Reference$","Chromosome$","Position$","Gene$")
              #此匹配模式列表用于返回该字符串所在index，而对应的值是index是该index+1
pattlistClinvar <- list("Risk\n\n[-A-Za-z0-9_.%;\\(\\), ]+","Alt\n\n[-A-Za-z0-9_.%;\\(\\), ]+",
                  "Reference\n\n[-A-Za-z0-9_.%;\\(\\) ]+","Significance \n[A-Za-z ]+","Disease \n\n[A-Za-z ]+",
                  "CLNDBN \n\n[-A-Za-z0-9_.% ]+","Reversed \n\n[0-9]+", "HGVS \n\n[-A-Za-z0-9_.%:> ]+","CLNSRC \n\n[-A-Za-z0-9_.% ]+","CLNACC \n\n[-A-Za-z0-9_.%, ]+")
               #此匹配模式列表用于返回相应clinvar
inf <- " "
for ( strURL in strURLs){
   dat <- getinf(strURL)
    if (inf==" "){
      inf <- dat
    }else{
      inf <- rbind(inf,dat)
    }
      }
    

write.table(inf, file = output, row.names = F, col.names=T,quote = F, sep="\t")  # tab 分隔的文件
message("完成！")

结果可以用直接打开，也可以用excel的自文本打开，方便查看