数据处理常用函数（一个函数抓取代谢组学权威数据库HMDB的所有表格数据）

爬虫是都不陌生的一个概念，比如百度、谷歌都有自己的爬虫工具去抓取网站、分析、索引，方便我们的查询使用。

在我们浏览网站、查询信息时，如果想做一些批量的处理，也可以去分析网站的结构、抓取网页、提取信息，然后就完成了一个小爬虫的写作。

网页爬虫需要我们了解URL的结构、HTML语法特征和结构，以及使用合适的抓取、解析工具。我们这篇先看一个简单的处理，给一个直观的感受：一个函数抓取网页的表格。以后再慢慢解析如何更加定制的获取信息。

HMDB (人类代谢组数据库)收录了很多代谢组的数据，用于代谢组学、临床化学、生物标志物开啊和基本教育等。数据联通化学、临床、分子生物学3个层次，共有114,099个代谢物。

网站提供了多种浏览和查询功能，可以关注不同的疾病、通路、BMI、年龄、性别相关代谢组学。

下图展示的是BMI相关代谢物的数据。

如果我们想把这个表格下载下来，一个办法是一页页的拷贝，大约拷贝十几次，工作量不算太大，但有些无趣。另外一个办法就是这次要说的抓取网页。

R的XML包中有个函数readHTMLTable专用于识别HTML中的表格 (table标签)，从而提取元素。具体使用如下：

# Load the package required to read website library(XML) # wegpage address url <- "http://www.hmdb.ca/bmi_metabolomics" # header=T, 使第一行或thead属性的内容为标题 df1 <- readHTMLTable(url, header=T, stringsAsFactors = F) # 初次使用，不了解输出格式时可使用str查看 str(df1)

> str(df1) List of 1 $ NULL:'data.frame': 25 obs. of 7 variables: ..$ V1: chr [1:25] "Butyrylcarnitine (HMDB0002013)" "Alpha-ketoisovaleric acid (HMDB0000019)" "2-Hydroxy-3-methylbutyric acid (HMDB0000407)" "3-Methyl-2-oxovaleric acid (HMDB0000491)" ... ..$ V2: chr [1:25] "" "" "" "" ... ..$ V3: chr [1:25] "Increase" "Increase" "Increase" "Increase" ... ..$ V4: chr [1:25] "Blood" "Blood" "Blood" "Blood" ... ..$ V5: chr [1:25] "9.95e-10" "2.87e-08" "1.19e-05" "1.68e-05" ... ..$ V6: chr [1:25] "25254000" "25254000" "25254000" "25254000" ... ..$ V7: chr [1:25] "details" "details" "details" "details" ...

# The readHTMLTable returns list, we need to extract our data frame. In this example, the first element is our data frame, so we can extract it like this: head(df1[[1]]) # extract the first element of list #df1[["NULL"]] # extract list element based on element names (第一个元素的名字是NULL)

1 Butyrylcarnitine (HMDB0002013) Increase Blood 9.95e-10 2 Alpha-ketoisovaleric acid (HMDB0000019) Increase Blood 2.87e-08 3 2-Hydroxy-3-methylbutyric acid (HMDB0000407) Increase Blood 1.19e-05 4 3-Methyl-2-oxovaleric acid (HMDB0000491) Increase Blood 1.68e-05 5 Ketoleucine (HMDB0000695) Increase Blood 6.05e-05 6 (S)-3-Hydroxyisobutyric acid (HMDB0000023) Increase Blood 6.88e-05 V6 V7 1 25254000 details 2 25254000 details 3 25254000 details 4 25254000 details 5 25254000 details 6 25254000 details

这样我们就获得了第一页的表格，如果想获得随后的页的呢？鼠标移动经过分页的标签，可以看到URL的规律。

http://www.hmdb.ca/bmi_metabolomics?page=num,每一页就是变换下num；对首页来说，可以写page=1也可以省略，为了批量，一般写上。

# 294是在网页直接看到的总条数，25是每页显示的条数。(也是可以自动解析判断的) pages = 1:ceiling(294 / 25) url <- "http://www.hmdb.ca/bmi_metabolomics?page=" # 获得URL集合 url_all <- paste(url, pages, sep="") a = sapply(url, readHTMLTable, header=T, stringsAsFactors=F) # 合并获得的结果 b = do.call("rbind",a) # 重命名行 rownames(b) <- 1:nrow(b)

这样就获得了所有的表格。

有两点需要注意

1. 为了给被抓取的网站带去较大的访问压力，每抓取一次，最后间歇一段时间。这需要我们自定义一个函数，封装下readHTMLTable。
2. HMDB数据库提供了全数据下载功能，相比于抓取，下载下来数据，自己筛选合并是更好的方式。

可能是因为网速或其它问题，有时直接把url提供给readHTMLTable不一定可以获取结果，下面提供了2额外的方式，供使用。

# Load the package required to read website library(XML) # wegpage address url <- "http://www.hmdb.ca/bmi_metabolomics" # method one: for people who is luckiest (not me, so sad) df1 <- readHTMLTable(url, header=T, stringsAsFactors = F) # Error: failed to load external entity "url" # method two: use RCurl package, for people who is much luckier (only work on my laptop, not the computer in the office, crying) library(RCurl) xmldoc <- getURL(url) df2 <- readHTMLTable(xmldoc, stringsAsFactors = F) # method three: use httr package, for people who is not lucky library(httr) tabs <- GET(url) df3 <- readHTMLTable(rawToChar(tabs$content), as.data.frame = T, stringsAsFactors = F)