对于一个项目,我想从KeGG网站的许多路径中提取所有复合名称。一个有机体中所有路径的列表看起来像this。对于每个路径,我提取名称并存储描述。然后我想得到所有在这个途径中起作用的化合物。关于KeGG路径的所有已知信息都可以在this这样的网站上找到。我想提取的元素是化合物下面列出的元素。你知道吗
基本上,我有一组URL和一个非常特定的正则表达式,我想从每个URL中提取。我的问题是:什么是最好的/最少的行/最简单的多线程web爬行工具来快速完成这个任务?你知道吗
我目前的工作方案如下。我应该去看看scrapy(对于没有url集的项目来说,scrapy更适合),还是自己做一些线程化的工作?你知道吗
import pandas as pd
import urllib
from io import StringIO
import re
def get_KeGG_pathways_cpds(organism = 'eco'):
orgURL = 'http://rest.kegg.jp/list/pathway/'
orgStr = urllib.request.urlopen(orgURL + organism).read().decode('utf-8')
orgIO = StringIO(orgStr)
orgDf = pd.read_csv(orgIO, sep='\t', names = ['pway', 'description'])
pathURL = 'http://rest.kegg.jp/get/'
for pway in orgDf.pway:
pathStr = urllib.request.urlopen(pathURL + pway).read().decode('utf-8')
compounds = re.findall('(C[0-9]{5})', pathStr)
print(compounds)
print('-------------------------\n')
return
get_KeGG_pathways_cpds()
这表明: 入口map00010通道 名称糖酵解/糖异生 说明糖酵解是促进。。。。。。 ....... 你知道吗
其余的路径,我不会复制到这里。你知道吗
相关问题 更多 >
编程相关推荐