module LWP::Simple et expressions régulières

Version imprimable

Bonjour,

J'aimerais retrouver des informations sur une page du net.
Je recherche la bonne page que j'ouvre et lis.

La page

http://www.ncbi.nlm.nih.gov/entrez/v...&val=115385275

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
<div class='recordbody'><div class="sequence"><a name="locus_115385275"></a><div class="localnav"><ul class="locals"><li><a href="#comment_115385275" title="Jump to the comment section of this record">Comment</a></li><li><a href="#feature_115385275" title="Jump to the feature table of this record">Features</a></li><li><a href="#sequence_115385275" title="Jump to the sequence of this record">Sequence</a></li></ul></div>
<pre class="genbank">LOCUS       XM_001209185            3771 bp    mRNA    linear   PLN 28-SEP-2006
DEFINITION  Aspergillus terreus NIH2624 DNA-directed RNA polymerase II 138 kDa
            polypeptide (ATEG_01820) mRNA, complete cds.
ACCESSION   XM_001209185
VERSION     XM_001209185.1  GI:115385275
KEYWORDS    .
SOURCE      Aspergillus terreus NIH2624
  ORGANISM  <a href=http://www.ncbi.nlm.nih.gov/Taxonomy/Browser/wwwtax.cgi?id=341663>Aspergillus terreus NIH2624</a>
            Eukaryota; Fungi; Ascomycota; Pezizomycotina; Eurotiomycetes;
            Eurotiales; Trichocomaceae; mitosporic Trichocomaceae; Aspergillus.
REFERENCE   1  (bases 1 to 3771)
  AUTHORS   Birren,B., Lander,E., Galagan,J., Nusbaum,C., Devon,K., Henn,M.,
            Ma,L.-J., Jaffe,D., Butler,J., Alvarez,P., Gnerre,S., Grabherr,M.,
            Kleber,M., Mauceli,E., Brockman,W., Rounsley,S., Young,S.,
            LaButti,K., Pushparaj,V., DeCaprio,D., Crawford,M., Koehrsen,M.,
            Engels,R., Montgomery,P., Pearson,M., Howarth,C., Larson,L.,
            Luoma,S., White,J., Alvarado,L., Kodira,C., Zeng,Q., Oleary,S.,
            Yandava,C., Denning,D., Nierman,B., Milne,T. and Madden,K.
  CONSRTM   The Broad Institute Genome Sequencing Platform
  TITLE     Annotation of the Aspergillus terreus NIH2624 genome
  JOURNAL   Unpublished
REFERENCE   2  (bases 1 to 3771)
  AUTHORS   Birren,B., Lander,E., Galagan,J., Devon,K., Nusbaum,C., Henn,M.,
            Borowsky,M., Jaffe,D., Butler,J., Alvarez,P., Gnerre,S.,
            Grabherr,M., Kleber,M., Mauceli,E., Brockman,W., Rounsley,S.,
            Young,S., LaButti,K., Pushparaj,V., DeCaprio,D., Crawford,M.,
            Koehrsen,M., Engels,R., Montgomery,P., Pearson,M., Howarth,C.,
            Kodira,C., Zeng,Q., Yandava,C., Oleary,S. and Alvarado,L.
  TITLE     Direct Submission
  JOURNAL   Submitted (02-SEP-2005) Broad Institute of MIT and Harvard, 320
            Charles Street, Cambridge, MA 02141, USA
REFERENCE   3  (bases 1 to 3771)
  AUTHORS   Denning,D. and Anderson,M.
  TITLE     Direct Submission
  JOURNAL   Submitted (02-SEP-2005) The University of Manchester, Oxford Road,
            Manchester M13 9PT, UK
REFERENCE   4  (bases 1 to 3771)
  AUTHORS   Nierman,W.C.
  TITLE     Direct Submission
  JOURNAL   Submitted (02-SEP-2005) The Institute for Genomic Research, 9712
            Medical Center Drive, Rockville, MD 20850, USA
<a name="comment_115385275"></a>COMMENT     PROVISIONAL <a href=http://www.ncbi.nlm.nih.gov/RefSeq/>REFSEQ</a>: This record has not yet been subject to final

Je voudrais retrouver tous les articles

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
                my %Reference = "";
                my %Auteurs = "";
                my %Titre = "";
                my %Journal = "";
                my $Html = get("http://www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=$Gi")or print "IMPOSSIBLE D OUVRIR LA PAGE\n";
 
                my $a = 0;
 
                if ($Html =~ /\s*REFERENCE/)
                {
                        $a++;
                        ($Reference{$a}) = ($Html =~ /\s*REFERENCE\s*([\w\(\)\s]+)\n/);
                        ($Auteurs{$a}) = ($Html =~ /\s*AUTHORS\s*([\w\(\)\,\.]+)\ /); # ne prend que le premier nom
                        ($Titre{$a}) = ($Html =~ /\s*TITLE\s*([\w\(\)\s]+)\n/);
                        ($Journal{$a}) = ($Html =~ /\s*JOURNAL\s*([\w\(\)\s\-]+)\n/);
                        print "\n $a Ref $Reference{$a} \tAut $Auteurs{$a} \tTit $Titre{$a} \tJou $Journal{$a} FIN\n\n\n";
                }

J'obtiens

Citation:

1 Ref 1 (bases 1 to 3771) Aut Birren,B., Tit Annotation of the Aspergillus terreus NIH2624 genome
JOURNAL Unpublished
REFERENCE 2 (bases 1 to 3771) Jou Unpublished
REFERENCE 2 (bases 1 to 3771) FIN

J'ai essayé avec le module WWW::Search de PubMed mais je dois retrouver les articles référencés pour un Gi bien particulier et non des articles trouvés par une requête générale. Si j'utilise le Gi comme mot clé pour la recherche dans PubMed, je ne retrouve évidemment que les articles publiés or j'aimerais récupérer toutes les références présentes sur la page citée plus haut.

Merci beaucoup,

Jasmine,

tu veux recuperer quoi exactement .
Ce script te permet déjà d'extraire la partie genbank et d'en creer un fichier temporaire que tu pourra detruire apres.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
#!/usr/bin/perl -w
 
use strict; 
use warnings; 
use LWP; 
 
my $browser = LWP::UserAgent->new; 
my $url = "http://www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=115385275"; 
my $response = $browser->get($url, [ 'query' => 'mime',  'mode' => 'all' ]); 
die "Couldn't get $url" unless defined $response; 
my $resp = $response->content; 
 
my $fichier_genbank_temp = "temp_genbank.txt";
open (FILE, ">$fichier_genbank_temp") or die ("impossible de creer le fichier $fichier_genbank_temp $!");
my ($genbank) = $resp =~ /.+<pre class=\"genbank\">(.+?)<\/pre>.+/msgi;
print FILE $genbank; 
close (FILE);

Tu peux donc soit utiliser un module bioperl pour parser le fichier genbank créer. Ou bien le parser toi même en essayant d'utiliser les regex.

Merci pour ta réponse,

J'ai réussi à faire ce que je voulais d'une autre manière un peu différente et cela fonctionne.
Je recopie dans un fichier texte la page http que je lis et analyse ligne par ligne. C'est plus lent mais au moins j'y suis arrivée. Est-ce une mauvaise façon de procéder?
Code:

1 2 3 4 5 6 7 8 9 10 11 my $Html = get("http://www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=$Gi")or print "IMPOSSIBLE D OUVRIR LA PAGE\n"; my $OutFile = FileHandle->new (">P:/Perl/scripts/Files/Articles.txt"); my $InFile = "P:/Perl/scripts/Files/Articles.txt"; print $OutFile ($Html); open (InFile,$InFile) or die "Can't open File file\n"; while ($Ligne=<InFile>) { ...
Merci,

Jasmine,

06/03/2007, 16h04
djibril

peux tu montrer ton script, histoire de partager avec tout le monde!!!
Sinon est ce une bonne methode? pourquoi pas, c'est le même principe, ce qui est long, c recuperer la page, mais on peut pas faire autrement.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
#!/usr/local/bin/perl
 
 
#------------------------------------ InsertArticleDB.pl -----------------------------------#
#       Ce programme interroge GenBank et donne en retour la liste des articles présents
#       pour les Acc de la base de données  (ouvre la page html grâce au Gi)
#       Perl insert ces valeurs dans la base de données après avoir crée 2 nouveaux
#       champs "Articles" et "LiensArticles"
#------------------------------------ InsertArticleDB.pl -----------------------------------#
 
 
use strict;
use warnings;
use FileHandle;
use Time::localtime;
use DBI;
use Mysql;
use LWP::Simple;
use WWW::Search;
use Bio::Perl;
 
 
 
# Paramètre de temps
#---------------------
my $Depart = ctime();
 
 
# Paramètre de la base de données
#----------------------------------
my $driver   = "mysql";
my $server   = "localhost";
my $database  = "BaseDeDonnees";
my $url      = "DBI:$driver:$database:$server";
my $DBconnect;
my $user     = "";
my $password = "";
($user, $password) = PASS();
my @Table=("Table1","Table2","Table3","Table4","Table5","Table6");;
 
 
 
# CONNECTION A LA BASE DE DONNEES
#----------------------------------
$DBconnect=DBI->connect( $url, $user, $password ) or die "Failure!\n";
 
 
# CONNECTION A PubMed
#----------------------------------
 my $PubMed = new WWW::Search ('PubMed');
 
 
# Recherche des ACC dans la DB
#------------------------------
for (my $a=0; $a<@Table; $a++)
{
 
 
        my $sql0 = "ALTER TABLE `$Table[$a]` ADD `Articles` TEXT NOT NULL   ;";
        my $sth0 = $DBconnect->prepare($sql0) or print "erreur de preparation SQL\n";
        $sth0->execute or die "Could not execute SQL statement ... maybe invalid?";
        $sth0->finish;
 
        my $sql1 = "ALTER TABLE `$Table[$a]` ADD `LiensArticles` TEXT NOT NULL   ;";
        my $sth1 = $DBconnect->prepare($sql1) or print "erreur de preparation SQL\n";
        $sth1->execute or die "Could not execute SQL statement ... maybe invalid?";
        $sth1->finish;
 
 
        my $sql = "SELECT Gi FROM $Table[$a]";
        my $sth = $DBconnect->prepare($sql) or print "erreur de preparation SQL\n";
        $sth->execute or die "Could not execute SQL statement ... maybe invalid?";
        my @row;
        while (@row=$sth->fetchrow_array)
        {
 
                my $Gi = $row[0];
 
                my $Html = get("http://www.ncbi.nlm.nih.gov/entrez/viewer.fcgi?db=nucleotide&val=$Gi")or print "IMPOSSIBLE D OUVRIR LA PAGE\n";
                my $OutFile = FileHandle->new (">P:/Perl/scripts/Files/Articles.txt");
                my $InFile = "P:/Perl/scripts/Files/Articles.txt";
                print  $OutFile ($Html);
 
                open (InFile,$InFile) or die "Can't open File file\n";
                my $Articles = "";
                my $LiensArticles = "";
                my $Ligne;
                my $Ok = 0;
                my $URL = "";                                                      # (DEFINITION[.\n]+)\n<a name="
        	while ($Ligne=<InFile>)
        	{
 
        	        if ($Ligne =~ /\s*REFERENCE/)
                        {
                                $Ok=1;
                                $URL = "";
                        }
        	        elsif ($Ligne =~ /\s*<a name=/)
                        {
                                $Ok=0;
                        }
                        elsif ($Ligne =~ /PUBMED   <a href=http:/)
                        {
                                my ($url)= ($Ligne =~ /\s*\<a\ href\=(http\:\/\/www\.ncbi\.nlm\.nih\.gov\/entrez\/query\.fcgi\?cmd\=Retrieve\&db\=pubmed\&dopt\=Abstract\&query_hl\=1\&list_uids\=\d*)\>\d*\<\/a\>\n/);
                                $Articles = $Articles.$url."\n\n";
                                $LiensArticles = $LiensArticles.$url."\n";
 
                        }
                        if ($Ok==1)
                        {
                                $Articles=$Articles.$Ligne."\n";
                        }
 
        	}
                $Articles = quotemeta($Articles);
                $LiensArticles = quotemeta($LiensArticles);
                my $sql2 = "UPDATE $Table[$a] SET  Articles = '$Articles', LiensArticles = '$LiensArticles' WHERE Gi like '$Gi'";
                my $sth2 = $DBconnect->prepare($sql2) or print "erreur de preparation SQL\n";
                $sth2->execute or die "Could not execute SQL statement ... maybe invalid?";
         }
}
 
 
# DECONNECTION DE LA BASE DE DONNEES
#-----------------------------------
$DBconnect->disconnect();
 
 
#BILAN
#------
print "\n\n\n---------------\n--- TEMPS ---\n---------------\n";
my $Fin = ctime();
print "\nDépart\t=>".$Depart."\nFin\t=>".$Fin."\n";
 
 
close;
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
sub PASS
        {
                my $InFilePass = "P:/Perl/InfoPass.txt";
                my $Ligne;
                my $user;
                my $password;
 
	       open (File,"$InFilePass")  or die "Can't open file\n";
 
	       while ($Ligne=<File>)
	       {
                        if ($Ligne =~ /^user/)
                        {
                                ($user)=($Ligne =~ /^user = (\w+)\s/)
                        }
                        if($Ligne =~ /^password = (\w+)\s/)
                        {
                                ($password)=($Ligne =~ /^password = (\w+)\s/)
                        }
                }
 
                close (File);
                return ($user, $password);
        }

http://img101.imageshack.us/img101/7771/articlesgf7.png