Importación de datos asociados con un número CAS determinado desde el sitio web del libro web del NIST a R
https://stackoverflow.com//questions/20004779
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
RussianPregunta
Me gustaría recuperar información asociada con un número de registro CAS determinado (número de servicio de resúmenes químicos) del sitio web del libro web del NIST en R, utilizando la API proporcionada.
P.ej.para cas nro."19431-79-9" (Cariofiladienol II),http://webbook.nist.gov/cgi/cbook.cgi?ID=19431-79-9&Units=SI&Mask=2000#Gas-Chromllegué tan lejos como
casno = "19431-79-9"
casno2 = gsub("-", "", casno)
raw=readLines(paste('http://webbook.nist.gov/cgi/cbook.cgi?ID=',casno,'&Units=SI&Mask=2000#Gas-Chrom', sep=""))
# mass spec, empty here, but not e.g. for casno2="630035"
casno2="630035"
jcampfile = readLines(paste("http://webbook.nist.gov/cgi/cbook.cgi?JCAMP=C",casno2,"&Index=0&Type=Mass",sep=""))
if (jcampfile[[1]]=="##TITLE=Spectrum not found.") jcampfile=NA
casno2 = gsub("-", "", casno)
# molecular stucture
molfile2d=readLines(paste("http://webbook.nist.gov/cgi/cbook.cgi?Str2File=C",casno2,sep=""))
if (molfile2d==character(0)) molfile2d=NA
molfile3d=readLines(paste("http://webbook.nist.gov/cgi/cbook.cgi?Str3File=C",casno2,sep=""))
if (molfile3d==character(0)) molfile3d=NA
De los siguientes bits de la salida sin procesar, me gustaría extraer las siguientes variables y listas:
"name=\" Top \">Caryophylladienol II</a></h1>"
-> name="Caryophylladienol II"
"Formula</a>:</strong> C<sub>15</sub>H<sub>24</sub>O</li>\n \n \n<li><strong>"
-> formula="C15H24O"
"Molecular weight</a>:</strong> 220.3505</li>\n \n \n<li>"
-> MW=220.3505
"IUPAC Standard InChI:</strong>\n \n<br /><table>\n<tr><td>\n<ul style=\" list-style-type: circle;\">\n<li><tt>InChI=1S/C15H24O/c1-10-6-8-14(16)11(2)5-7-13-12(10)9-15(13,3)4/h12-14,16H,1-2,5-9H2,3-4H3/t12?,13?,14-/m1/s1</tt></li>\n"
-> InChI="InChI=1S/C15H24O/c1-10-6-8-14(16)11(2)5-7-13-12(10)9-15(13,3)4/h12-14,16H,1-2,5-9H2,3-4H3/t12?,13?,14-/m1/s1"
"IUPAC Standard InChIKey:</strong>\n<tt>CIIYOYPOMGIECX-JXQTWKCFSA-N</tt>"
-> InChiKey="CIIYOYPOMGIECX-JXQTWKCFSA-N"
"Stereoisomers:....<strong>
-> stereoisomers=XXX (list of stereoisomers)
"Other names:...\n"
-> synonyms=XXX (list of synonyms)
"Normal alkane RI..."
-> list of measured RIs plus on which column they were measured
e.g. here RIs=c(1637,1631,1627,1656,1615,1638,1628,1602,1611,1635,1622,1622,1627); columns=c("HP-5 MS","DB-5","RTX-1","Col-Elite 5MS","DB-5","DB-5","DB-5","DB-1","DB-5","CP Sil 5 CB","BP-1","RTX-1","DB-5")
¿Alguna idea sobre cuál sería la mejor manera de realizar este último tipo de análisis?Idealmente, todo esto debería incluirse en una función que tome una lista de números CAS como entrada, los anote utilizando información del libro web de NIST y los escriba en un archivo de texto.Pero no es necesario tenerlo tan pulido: ¡cualquier cosa que me ayude a empezar me sería de gran ayuda!
Editar:He estado intentando analizar el archivo html usando htmlTreeParse en el paquete XML, pero no lo logro.¿Alguien con un poco más de experiencia con esa función podría ayudarme un poco por casualidad?
Editar:He descubierto una solución para importar los datos en Mathematica, consulte https://mathematica.stackexchange.com/questions/37091/look-up-info-associated-with-a-given-cas-chemical-identifier-from-the-nist-webbo.Si alguien tiene la habilidad de portar ese código a R, ¡hágamelo saber!
Solución
Para la primera cadena URL de su pregunta, intente
casno = "19431-79-9"
url <- paste('http://webbook.nist.gov/cgi/cbook.cgi?ID=',casno,'&Units=SI&Mask=2000#Gas-Chrom', sep="")
doc <- htmlParse(url)
name <- xpathSApply(doc, "//a[@id='Top']", xmlValue)
name
[1] "Caryophylladienol II"
Tome todas las listas con un título en negrita (algunos resultados se truncan para su visualización)
x <- xpathSApply(doc, "//li/strong/..", xmlValue)
x
[1] "Formula: C15H24O"
[2] "Molecular weight: 220.3505"
[3] "IUPAC Standard InChI:\n\n\nInChI=1S/C15H24O/c1-10-6-8-14(16)11(2)5-7-13-12(10)9-15(13,3)4/h12-14,16H,1-2,5-9H2, ...
[4] "IUPAC Standard InChIKey:\nCIIYOYPOMGIECX-JXQTWKCFSA-N"
[5] "CAS Registry Number: 19431-79-9"
[6] "Chemical structure: \nThis structure is also available as a 2d Mol file\n
[7] "Species with the same structure:\nCaryophylla-4(14), 8(15)-dien-5-ol\n\n"
[8] "Stereoisomers:\nCaryophylladienol I\nCaryophylla-3(15),7(14)-dien-6-ol\n«alpha»-Caryophylladienol\nExo methylene ...
[9] "Other names:\nCaryophylla-4(14),8(15)-dien-5«alpha»-ol;\nCaryophylla-2(12),6(13)-dien-5-«alpha»-ol;\nCaryophylla ...
[10] "Information on this page:\nGas Chromatography\nReferences\nNotes / Error Report\n\n"
[11] "Options:\nSwitch to calorie-based units\n\n"
Si solo está escribiendo en un archivo, puede corregir la lista delimitada en el elemento 8 (reemplazar las nuevas líneas con punto y coma) y eliminar las nuevas líneas restantes.
x <- gsub(":\n", ": ", x)
x[8] <- gsub("\n+", ";", x[8])
x <- gsub("\n", "", x)
x <- gsub("Download the identifier in a file.", "", x)
Utilice readHTMLTable para tablas
y <-readHTMLTable(doc, stringsAsFactors=FALSE)
luego cuente filas para encontrar la tabla correcta y obtener valores
sapply(y, nrow)
NULL NULL NULL NULL NULL NULL
1 1 5 13 6 1
y[[4]][,2:3]
Active phase I
1 HP-5 MS 1637.
2 DB-5 MS 1631.
3 RTX-1 1627.
4 Col-Elite 5MS 1656.
5 DB-5 1615.
...
ri <- paste0(gsub(".", "", y[[4]][,3], fixed=TRUE), "=", y[[4]][,2], collapse=";")
ri
[1] "1637=HP-5 MS;1631=DB-5 MS;1627=RTX-1;1656=Col-Elite 5MS;1615=DB-5;1638=DB-5;1628=DB-5;1602=DB-1;1611=DB-5;1635=CP Sil 5 CB;1622=BP-1;1622=RTX-1;1627=DB-5"
Finalmente, combine y escriba en un archivo.
cas <- c(paste("Name:", name), x[c(1:5,7:9)], paste("RI:", ri) )
write( cas, file="cas.out")
Hay otras formas de tomar los valores en listas desordenadas, por ejemplo, para obtener todos los estereoisómeros como un vector...
stereo <- xpathSApply(doc, "//li/strong[text()='Stereoisomers:']/../ul/li/a", xmlValue)
[1] "Caryophylladienol I" "Caryophylla-3(15),7(14)-dien-6-ol" "«alpha»-Caryophylladienol"
[4] "Exo methylene isomer of Caryophyllenol I" "«beta»-Caryophylla-4(14),8(15)-dien-5-ol" "Caryophylla-4(12),8(13)-dien-5-«beta»-ol"
[7] "Caryophylla-4,8-dien-5-ol" "Caryophylla-4(12),8(13) diene 5 «beta»-ol" "Caryophyla-4(14),8(15)-dien-5-ol"
[10] "Caryophylla-4(12).8(13)-diene-5«beta»-ol" "2(12),6(13)-Caryophylladien-5-ol"
y luego escriba varias líneas en un archivo.
paste("Stereoisomer:", stereo)
