如果想从Uniprot的API中提取individual entries的所有信息，如：P12345，则可以通过下述方法：
https://www.uniprot.org/uniprot/P12345.txt
https://www.uniprot.org/uniprot/P12345.xml
https://www.uniprot.org/uniprot/P12345.rdf
https://www.uniprot.org/uniprot/P12345.fasta
https://www.uniprot.org/uniprot/P12345.gff其中.txt和.xml的结果是一致的，包含了最全的信息（相当于将这个http://www.uniprot.org/uniprot/P12345网页中的所有信息整合在一个文件中）；其他格式的则是包含了其部分信息。但是如果想批量处理多个uniprot ID，则需要用脚本依次读取网页的信息。个人觉得，如果是用perl/python等来读取的话，.txt格式比较适合；而如果是用R来读取的话，.xml相对来说更加适合，有XML包（PS.perl/python也有适合处理xml格式的模块）
由于有需求必须要用R来抓取网页信息，则必须了解下如何使用XML包，这个包被很多R包所引用，但网上对于这个包的实例使用介绍的较少，所以最终还是需要看这R包的文档说明，我就尝试着跟着文档例子略微学习了下，解决下我的需求。。。
针对P12345.xml，则先加载XML包，然后用xmlParse读入文件（或者用xmlTreeParse读入文件，其更适合R的一些统计函数操作）
library(XML)
result <- xmlParse(file = "P12345.xml")比如我想知道P12345.xml文件的Proetein ID是哪个（虽然看文件名就知道是P12345...），按照网上教程应该是如下。getNodeSet是属于XPath表达式函数，因为Protein ID是标记accession的文本内容，并且accession标记是在uniprot和entry标记内部
k <- getNodeSet(result, "/uniprot/entry/accession")或者不用/而用//作为标记路径（理解为相对路径，即直接读取文档中accession标记下的内容，不管其在哪个其他标记下）
k <- getNodeSet(result, "//accession")
k
#[[1]]
#<accession>P12345</accession>
#[[2]]
#<accession>G1SKL2</accession>
#attr(,"class")
#[1] "XMLNodeSet"这样的结果还是不够直接，如何想直接显示P12345这个ID，则需要再加上xmlValue函数，用于直接提取文本
k <- getNodeSet(result2, "//accession", fun = xmlValue)
k
#[[1]]
#[1] "P12345"
#[[2]]
#[1] "G1SKL2"由于上述方式输出的是以List格式输出的，还需要unlist函数转化为向量，不是太方便，所以有了xpathSApply函数，功能是跟getNodeSet函数大体上相同，但sapply输出更加整洁，输出是向量
k <- xpathSApply(result2, "//accession", fun = xmlValue)
k
#[1] "P12345" "G1SKL2"注：但是！！！针对Uniprot真实的xml文件，其由于有一个<uniprot xmlns="http://uniprot.org/uniprot" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://uniprot.org/uniprot http://www.uniprot.org/support/docs/uniprot.xsd">这个标签的问题，导致上述提取信息的方式是无效的！！！必须要加上namespaces参数才行（这个值随便填个不重复的就行），我也没明白这个标签为啥会导致这个问题（但是只要去除uniprot标签属性名后面的内容，即改为<uniprot>又有效了，所以猜想是这个标签的问题）
c <- xpathSApply(result, "//c:accession", fun = xmlValue, namespaces = "c")
c
#[1] "P12345" "G1SKL2"比如我还想知道这个P12345蛋白所对应的GO信息，文件中格式如下：
<dbReference type="GO" id="GO:0006532">
<property type="term" value="P:aspartate biosynthetic process"/>
<property type="evidence" value="ECO:0000501"/>
<property type="project" value="Ensembl"/>
</dbReference>以提取GO ID为例，方括号内对属性名进行定位，“@”后接属性值，而且是用xmlGetAttr用于提取id属性的属性值
g <- xpathSApply(result, "//g:dbReference[@type='GO']", xmlGetAttr, "id", namespaces = "g")如果换成提取GO Term，则如下所示，输出的均是向量
h <- xpathSApply(result, "//h:dbReference/h:property[@type='term']", xmlGetAttr, "value", namespaces = "h")如果没有对应的属性名，则返回空列表list()
其他信息可照这种形式提取，至于网页爬虫则需要依情况而定了，还是得再看看https://cran.r-project.org/web/packages/XML/XML.pdf
本文出自于http://www.bioinfo-scrounger.com转载请注明出处