使用 Biopython Bio Entrez 解析 PubMed Central XML

Question

我正在尝试使用 Biopython 的 Bio Entrez 解析函数解析 PubMed Central XML 文件。这是我迄今为止尝试过的：

from Bio import Entrez
for xmlfile in glob.glob ('samplepmcxml.xml'):
   print xmlfile
   fh = open (xmlfile, "r")
   read_xml (fh, outfp)
   fh.close()

def read_xml (handle, outh):
   records = Entrez.parse(handle)
   for record in records:
      print record

我收到以下错误：

Traceback (most recent call last):
File "3parse_info_from_pmc_nxml.py", line 78, in <module>
read_xml (fh, outfp)
File "3parse_info_from_pmc_nxml.py", line 10, in read_xml
for record in records:
File "/usr/lib/pymodules/python2.6/Bio/Entrez/Parser.py", line 137, in parse
self.parser.Parse(text, False)
File "/usr/lib/pymodules/python2.6/Bio/Entrez/Parser.py", line 165, in startNamespaceDeclHandler
raise NotImplementedError("The Bio.Entrez parser cannot handle XML data that make use of XML namespaces")
NotImplementedError: The Bio.Entrez parser cannot handle XML data that make use of XML namespaces

我已经下载了archivearticle.dtd 文件。是否需要安装任何其他 DTD 文件来描述 PMC 文件的架构？有没有人成功使用过Bio Entrez函数或者其他方法解析PMC文章？

感谢您的帮助！

Answer 1

使用另一个解析器，例如minidom

from xml.dom import minidom

data = minidom.parse("pmc_full.xml")

现在根据您要提取的数据，深入研究 XML 并享受乐趣：

for title in data.getElementsByTagName("article-title"):
    for node in title.childNodes:
        if node.nodeType == node.TEXT_NODE:
            print node.data