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

   在前一篇博文R语言从小木虫网页批量提取考研调剂信息 http://www.cnblogs.com/ywliao/p/6420501.html中已经提过，这里再提一个XML包中之前没有介绍的函数。
   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$update,.encoding="gbk") ## 字符串形式htmlParse(txt,asText=T,encoding="gbk")      #选择gbk进行网页的解析
}getinf <- function(strURL){   #主要提取网页信息函数#strURL:网页链接网址  return:包括所要的所有信息的data.framedoc<- download(strURL)#写如标题info<- data.frame("Title"=strsplit(xmlValue(getNodeSet(doc,'//title')[[1]])," -")[[1]][1])  #"rs... - SNPedia"进行split#写入"Geno Mag Summary "tableGMS_table <- readHTMLTable(doc)GMS_index <- 0if (length(GMS_table)>2){for (p in 1:6){if (length(GMS_table[[p]])==3){GMS_index <- p}}}if (GMS_index!=0){for (i in 1:length(GMS_table[[GMS_index]])){tmp <- ""for (t in 1:nrow(GMS_table[[GMS_index]][i])){if(tmp==""){tmp <-as.vector(GMS_table[[GMS_index]][i][t,1])}else{tmp <- paste(tmp,as.vector(GMS_table[[GMS_index]][i][t,1]),sep=";")}}if (i==1){info$Geno <-tmp}else if (i==2){info$Mag <-tmp}else if (i==3){info$Summary <- tmptmp <- ""}}}else{info$Geno <-" "info$Mag <-" "info$Summary <- " "}#写入剩下table信息mes <- getNodeSet(doc,'//td')mes2 <- list()for (c in mes){d <- xmlValue(c)if (d==""){}else{mes2=c(mes2,d)}}tmp <- greg_return_string("Make[-A-Za-z0-9_.%;\\(\\), ]+",mes2)if (length(tmp)==2){info$"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$"Gene"=" "}}#写入clivarmes <- getNodeSet(doc,'//tr')mes2 <- list()for (c in mes){d <- xmlValue(c)if (d==""){}else{mes2=c(mes2,d)}}for (i in (1:length(pattlistClinvar))){tmp <- greg_return_string(pattlistClinvar[i],mes2)if (length(tmp)!=0){tmp <- tmp[[1]]}if (i==1 && length(tmp)!=0){info$"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$"CLNACC "=" "}}info
}greg_return_string <- function(pattern,stringlist){#greg_return_stirng 指定匹配全部字符串列表，返回匹配的字符串#pattern:匹配模式,比如"abc[a-z]*"  stringlist:字符串列表，list("abc","abcde","cdfe")   return : 列表里字符串匹配结果，"abc""abcde"findlist <- gregexpr(pattern,stringlist)needlist <- list()for (i in which(unlist(findlist)>0)){preadress <- substr(stringlist[i],findlist[[i]],findlist[[i]]+attr(findlist[[i]],'match.length')-1)needlist<- c(needlist,list(preadress))}return(needlist)
}
greg_return_index <- function(pattern,stringlist){#greg_return_stirng 指定匹配全部字符串列表，返回存在匹配的字符串列表index#pattern:匹配模式   stringlst:待匹配字符串列表   return:存在返回匹配的字符串在列表中的indexfindlist <- gregexpr(pattern,stringlist)needlist <- list()which(unlist(findlist)>0)
}extradress <- function(strURL){#将strURL网页里面我们所需要链接提取出来并加工#strURL:网页链接网址   return:网址列表，包括所有提取加工后的网址链接pattern <- "/index.php/Rs[0-9]+"prefix <- "https://snpedia.com"  #网址改为https起始links <- getHTMLLinks(download(strURL))  # getHTMLLinks不能解析https的网址，因此先用download解析网址needlinks <- gregexpr(pattern,links)needlinkslist <- list()for (i in which(unlist(needlinks)>0)){preadress <- substr(links[i],needlinks[[i]],needlinks[[i]]+attr(needlinks[[i]],'match.length')-1)needlinkslist<- c(needlinkslist,list(preadress))adresses <- lapply(needlinkslist,function(x)paste(prefix,x,sep=""))}adresses
}greg <- function(pattern,istring){#greg函数查看单个字符串istring,并且返回匹配的部分，不匹配返回空gregout <- gregexpr(pattern,istring)substr(istring,gregout[[1]],gregout[[1]]+attr(gregout[[1]],'match.length')-1)
}library(RCurl)
library(XML)#自定义部分
strURL <- "https://snpedia.com/index.php?title=Special%3ASearch&profile=default&fulltext=Search&search=Congenital+adrenal+hyperplasia"   #snpedia网址都已改为https开头
output <- "ouput.txt"message(paste("[prog]",strURL,output,sep=" "))strURLs <- extradress(strURL)
pattlistMainTable <- list("Orientation$","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 <- NULL
for ( strURL in strURLs){dat <- getinf(strURL)if (length(inf) == 0){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！")

结果可以直接打开，也可以用excel的自文本打开，方便查看