python如何爬取sci论文_利用python爬取并翻译GEO数据库
GEO数据库是NCBI创建并维护的基因表达数据库,始于2000年,收录了世界各国研究机构提交的高通量基因表达数据,现芯片集数据量高达12万以上。想要从这里面挖掘(bai piao)数据,发个sci提前毕业升职称?那么第一步就是筛选自己所需要的芯片集。
我采用的方法是利用python,爬取相关芯片集,翻译并整理成本地文件。(自带翻译心动吗?)
为什么要用python?因为人生苦短!对于我们这些非编程专业的人,python是极易上手的语言之一。其简洁的编程风格,深受小白们的喜欢。个人认为python的学习时间成本很低,只需要短短几周甚至几天,即可打造属于自己的定制爬虫。
那么,下面我们正式开始python爬取之旅!(python安装请自行百度)
第1步,在GEO进行初步检索。
我们检索“obesity”这个关键词,发现有1432个芯片集。我比较推荐数量在200到2000之间,这样既能保证数据足够,又避免审核过多芯片集会造成时间浪费。如果芯片集过多,可限定检索条件,如年份、组织、研究类型等。芯片集过少,可放宽检索条件或增加关联的关键词。
第2步,将每页显示调为500条芯片集,查看网页源代码并将所有代码保存到txt文件。
如果有多页,则需要一页一页点开,并将所有代码复制到同一txt文件中。这样子我们的芯片集数据就收集完毕了。当然,python也能实现自动收集,不过个人认为编写该部分爬虫比较麻烦,还不如手动更便捷。
第3步,确定芯片集内容。
我们点开一个芯片集,里面有哪些信息我师们需要的呢?Title、Organism、Summary等等。查看网页源代码,我们发现这些内容都有统一的编写格式。那么,我们就可以编写爬虫,逐一提取里面的信息。好了,前期准备完成了!下面我们开始愉悦的python开发。(python的安装与入门可参考:www.runoob.com)
第4步,利用python爬虫获取芯片集。
简单来说,就是获取txt文件中,带有’GSEXXXX’的芯片集序号。
第5步,编写循环体,用python爬虫逐一爬取芯片集内容。
main函数就是我们爬虫的主体
第6步,python爬虫。
我们根据所需要的芯片集内容,用不同的正则表达式爬取。
第7步,最令人期待的——自动翻译。
我们可以在百度翻译平台,申请开发者账号和通用翻译api,获得相关id和密匙,这样就可以调用翻译功能(附件有api接口代码)。关键是全程免费!免费!
第8步,保存到excel,完美收工。
看看这庞大数据,看看这熟悉的文字,是不是感到热泪盈眶?ヽ(✿゚▽゚)ノ
个人心得:
①根据本人研究内容,我一般将Organism限定为Mus musculus 和Homo sapiens,减少无用芯片集。
②芯片集以Samples降序排序,优先挑选样本量大的芯片集,服用效果更好。
③目前我编写的爬虫,已实现断点爬取、随机IP、循环下载、自动关机等优化功能。因篇幅限制就不一一叙述。有兴趣的老铁可自行研究更有趣的功能。欢迎各种学习交流!
放源代码和动版的信息:链接:https://pan.baidu.com/s/1pMe3iCjWuCl6dUoU-PzldA 提取码:xlg1
python如何爬取sci论文_利用python爬取并翻译GEO数据库相关推荐
- python如何爬取sci论文_通过爬虫确定SCI期刊的发表周期
众所周知,SCI发表周期较长,从投稿到见刊时间跨度超过2年也不罕见,如果运气不好,文章投出去石沉大海,用几个月的时间等来一封拒稿信,很可能会影响到博士毕业或职称评选.因此,为了尽量避免漫长的等待过程, ...
- python爬去百度文库_利用Python语言轻松爬取数据[精品文档]
利用 Python 语言轻松爬取数据 对于小白来说,爬虫可能是一件非常复杂. 技术门槛很高的事情. 比如有人认为学爬虫必须精通 Python ,然后哼哧哼哧系统学习 Python 的每个知识点,很久之 ...
- python爬取百度文库_利用Python语言轻松爬取数据
利用 Python 语言轻松爬取数据 对于小白来说,爬虫可能是一件非常复杂. 技术门槛很高的事情. 比如有人认为学爬虫必须精通 Python ,然后哼哧哼哧系统学习 Python 的每个知识点,很久之 ...
- python爬取网易云_利用python爬取网易云音乐,并把数据存入mysql
作者:sergiojune Python爱好者社区--专栏作者 个人公众号:日常学python 专注python爬虫,数据可视化,数据分析,python前端技术 公众号:Python爱好者社区 获取本 ...
- java爬取网页数据_利用Python做数据分析—对前程无忧数据类岗位进行分析
引言 随着时代的发展,我国在各行各业都需要大量的人才引进,处于近几年最热门的行业也称"最火行业":大数据.数据分析.数据挖掘.机器学习.人工智能,这五门行业各有不同又互有穿插.近几 ...
- python爬去朋友圈_利用Python爬取朋友圈数据,爬到你开始怀疑人生
人生最难的事是自我认知,用Python爬取朋友圈数据,让我们重新审视自己,审视我们周围的圈子. 文:朱元禄(@数据分析-jacky) 哲学的两大问题:1.我是谁?2.我们从哪里来? 本文 jacky试 ...
- python爬取软件数据_利用Python爬取爬取APP上面的数据
前言 在我们在爬取手机APP上面的数据的时候,都会借助Fidder来爬取.今天就教大家如何爬取手机APP上面的数据. 环境配置 1.Fidder的安装和配置 下载Fidder软件地址:https:// ...
- python爬朋友圈数据_利用Python爬取朋友圈数据,爬到你开始怀疑人生
人生最难的事是自我认知,用Python爬取朋友圈数据,让我们重新审视自己,审视我们周围的圈子. 文:朱元禄(@数据分析-jacky) 哲学的两大问题:1.我是谁?2.我们从哪里来? 本文 jacky试 ...
- python抓取数据包_利用python-pypcap抓取带VLAN标签的数据包方法
1.背景介绍 在采用通常的socket抓包方式下,操作系统会自动将收到包的VLAN信息剥离,导致上层应用收到的包不会含有VLAN标签信息.而libpcap虽然是基于socket实现抓包,但在收到数据包 ...
最新文章
- 第三代基因测序技术革新 云计算的应用
- linux使用opengl获取纹理id,opengl – 通过纹理id获取纹理目标
- Talairach空间、MNI空间、Native空间、Stereotaxic空间
- mysql hourminute_mysql日期函数(时间函数)
- 知识图谱(六)——关系抽取
- JFinal开发框架简介
- 【大会】没有什么比把码率降低更爽的了
- condition的作用
- C语言基础教程读书笔记2(第二章常量、变量、类型转换)
- 学习Python+numpy数组运算和矩阵运算看这254页PPT就够了
- FIREDAC(DELPHI10 or 10.1)提交数据给ORACLE数据库的一个不是BUG的BUG
- c语言 取随机字符串,C语言之获取32字节随机数的字符串
- C# where()筛选方法
- 24个可能你现在用不到,但应该了解的 PHP 库
- 树莓派-13-红外遥控器HX1838
- 腾讯云cdn怎样接入域名
- python中的减号_我的python把减号和破折号混淆了
- ps4移植android游戏,把PS4游戏《Apex英雄》《只狼》搬到安卓手机上玩,这招够简单!...
- 微积分 —— 有限覆盖定理
- 如何在微信h5拉起支付宝支付界面
热门文章
- 迅为IMX6开发板非设备树源码编译环境搭建(一)
- imx6 linux 时钟,迅为-iMX6开发板-驱动-实时时钟RTC以及Linux-c测试例程
- Android监控软键盘的开启/关闭状态
- Linux 模拟触摸滑动以及按下
- 从零开始学习Java设计模式 | 软件设计原则篇:接口隔离原则
- Android开发 登录注册设计
- ios 状态栏statusBar的背景颜色
- 一“碳”究竟:碳交易的生意经与飞轮“燃料”
- Spring Security、oauth2、单点登陆SSO的关系
- 5G核心网,如何实现加速?