爬虫抓取OncoKB数据库中肿瘤基因靶向药物信息

通过驱动浏览器爬取OncoKB数据库中"基因——肿瘤——靶向药物"等信息。

1. 安装Chrome浏览器,下载并配置ChromeDriver,将其加入到环境变量中。

下图方框所示为需要提取的某个基因的相关信息。由于此页面经JavaScript动态渲染过,不适宜直接抓取,所以通过驱动浏览器抓取信息。


2. 准备需要抓取的基因集list文件gene_list.txt。

每行一个GeneSymbol,内容如下:


3. 通过python的webdriver包驱动Chrome浏览器,通过BeautifulSoup包得到网页信息,然后提取需要的信息。

代码如下:

import time, random, os
from queue import Queue
from threading import Thread
import re
from bs4 import BeautifulSoup
from selenium import webdriver
from selenium.webdriver.support.wait import WebDriverWait
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC

def download_and_extract(gene_name):
    """
    Download html file of gene_name, then extracted needed message to txt file
    """
    options = webdriver.ChromeOptions() 
    options.add_experimental_option("excludeSwitches", ["enable-logging"])
    url = 'https://www.oncokb.org/gene/' + gene_name
    browser = webdriver.Chrome(options=options)
    browser.get(url)
    
    try:
        # 加载网页
        element = WebDriverWait(browser, 20, poll_frequency=1).until(EC.presence_of_element_located((By.XPATH, '//*[@class="-loading-inner"]')))

        # 保存网页
        html_file = gene_name + ".html"
        fr = open(html_file,'wb')
        fr.write(browser.page_source.encode("gbk", "ignore"))
        browser.quit()
        fr.close()
        
        # 提取信息
        fh = open(html_file)
        soup = BeautifulSoup(fh,'html.parser')
        fh.close()
        one = []
        all = []
        for a in soup.find_all(name = "div",attrs = "rt-td"):
            if not a.text:
                one.append(a.i.attrs['class'][2][6:])
            elif re.match(r'\d+$', a.text):
                one.append(a.text)
                all.append(one)
                one = []
            elif len(a.contents) > 1:
                one.append(''.join([re.sub(r'\<br/\>', r'; ', str(i)) for i in a.contents]))
            else:
                one.append(a.text)
        
        # 写入txt文件
        get_txt = gene_name + ".txt"
        fw = open(get_txt,'w')
        for a in all:
            fw.write("\t".join([str(i) for i in a]) + "\n")
        fw.close()
    except:
        error_message = 'Error occurs when download %s html' % gene_name
        print(error_message)


def get_html_one_queue(in_q):
    """
    The queue needed to be executed each time.
    """
    time.sleep(random.randint(5,10))
    while in_q.empty() is not True:
        gene_name = in_q.get()
        download_and_extract(gene_name)
        in_q.task_done()

def main():
    queue = Queue()
    with open ('gene_list.txt') as f_in:
        gene_list = f_in.read().split('\n')
    for gene_name in gene_list:
        if gene_name:
            url = '{gene_name}'.format(gene_name = gene_name)
            queue.put(url)
    print('Queue start: %d tasks.' %queue.qsize())
    
    if not os.path.exists("download"):
        os.mkdir("download")
    os.chdir("download")
    
    # 保证同时执行5个任务
    for index in range(5):
        thread = Thread(target=get_html_one_queue, args=(queue,))
        thread.start()
    queue.join()
    print('Queue end.')

if __name__ == "__main__":
    main()
4. 在gene_list.txt同一路径下运行上述代码,最终得到一个download文件夹,里面包含基因对应的网页文件和提取信息文本文件。

提取到的文本文件内容如下:


©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,402评论 6 499
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,377评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,483评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,165评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,176评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,146评论 1 297
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,032评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,896评论 0 274
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,311评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,536评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,696评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,413评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,008评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,659评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,815评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,698评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,592评论 2 353

推荐阅读更多精彩内容