问下载PMC和PubMed数据库中的所有全文文章

EN

首先，在批量下载文件之前，我强烈建议您阅读E-实用程序使用指南。

如果您想要全文文章，您将需要限制您的搜索打开访问文件。此外，我还建议，如果你想要任何好的文章，我也建议你的搜索仅限于Medline文章。然后你就可以做搜索了。

使用Biopython，我们可以看到：

search_query = 'medline[sb] AND "open access"[filter]'

# getting search results for the query
search_results = Entrez.read(Entrez.esearch(db="pmc", term=search_query, retmax=10, usehistory="y"))

您可以在PMC网站上使用搜索函数，它将显示生成的查询，您可以将其复制/粘贴到代码中。现在您已经完成了搜索，您可以实际下载以下文件：

handle = Entrez.efetch(db="pmc", rettype="full", retmode="xml", retstart=0, retmax=int(search_results["Count"]), webenv=search_results["WebEnv"], query_key=search_results["QueryKey"])

• 您可能希望通过循环中的变量更改retstart和retmax来批量下载，以避免淹没服务器。
• 如果handle只包含一个文件，则handle.read()作为字符串包含整个XML文件。如果包含更多内容，则文章包含在<article></article>节点中。
• 全文仅在XML中可用，而且可用的默认解析器不能处理XML名称空间，因此您需要独立使用ElementTree (或其他解析器)来解析XML。
• 在这里，文章是由于E-实用程序的内部历史而找到的，E-实用程序使用webenv参数访问，并通过Entrez.read()中的usehistory="y"参数启用。

关于使用ElementTree进行XML解析的一些技巧:您不能删除一个外孙节点，所以您可能希望递归地删除一些节点。node.text返回node中的文本，但只返回到第一个子节点，因此，如果要在给定节点中获取所有文本，则需要按照"".join(node.itertext())的方式进行操作。

根据NCBI服务台回答的问题之一，我们不能“批量下载”PubMed Central。

https://www.nlm.nih.gov/bsd/medline.html + https://www.ncbi.nlm.nih.gov/pmc/tools/openftlist/将下载其中的很大一部分(我不知道百分比)。它确实会错过PMC的全文文章，其许可不允许重新分配，正如在https://www.ncbi.nlm.nih.gov/pmc/tools/openftlist/上解释的那样。