利用python爬取并翻译GEO数据库

GEO数据库是NCBI创建并维护的基因表达数据库，始于2000年，收录了世界各国研究机构提交的高通量基因表达数据，现芯片集数据量高达12万以上。想要从这里面挖掘（bai piao）数据，发个sci提前毕业升职称？那么第一步就是筛选自己所需要的芯片集。

我采用的方法是利用Python，爬取相关芯片集，翻译并整理成本地文件。（自带翻译心动吗？）

为什么要用python？因为人生苦短！对于我们这些非编程专业的人，python是极易上手的语言之一。其简洁的编程风格，深受小白们的喜欢。个人认为python的学习时间成本很低，只需要短短几周甚至几天，即可打造属于自己的定制爬虫。

那么，下面我们正式开始python爬取之旅！（python安装请自行百度）

第1步，在GEO进行初步检索。

我们检索“obesity”这个关键词，发现有1432个芯片集。我比较推荐数量在200到2000之间，这样既能保证数据足够，又避免审核过多芯片集会造成时间浪费。如果芯片集过多，可限定检索条件，如年份、组织、研究类型等。芯片集过少，可放宽检索条件或增加关联的关键词。

第2步，将每页显示调为500条芯片集，查看网页源代码并将所有代码保存到txt文件。

如果有多页，则需要一页一页点开，并将所有代码复制到同一txt文件中。这样子我们的芯片集数据就收集完毕了。当然，python也能实现自动收集，不过个人认为编写该部分爬虫比较麻烦，还不如手动更便捷。

第3步，确定芯片集内容。

我们点开一个芯片集，里面有哪些信息我师们需要的呢？Title、Organism、Summary等等。查看网页源代码，我们发现这些内容都有统一的编写格式。那么，我们就可以编写爬虫，逐一提取里面的信息。好了，前期准备完成了！下面我们开始愉悦的python开发。（python的安装与入门可参考：www.runoob.com）

第4步，利用python爬虫获取芯片集。

简单来说，就是获取txt文件中，带有’GSEXXXX’的芯片集序号。

第5步，编写循环体，用python爬虫逐一爬取芯片集内容。

main函数就是我们爬虫的主体

第6步，python爬虫。

我们根据所需要的芯片集内容，用不同的正则表达式爬取。

第7步，最令人期待的——自动翻译。

我们可以在百度翻译平台，申请开发者账号和通用翻译api，获得相关id和密匙，这样就可以调用翻译功能（附件有api接口代码）。关键是全程免费！免费！

第8步，保存到Excel，完美收工。

看看这庞大数据，看看这熟悉的文字，是不是感到热泪盈眶？ヽ(✿ﾟ▽ﾟ)ノ

个人心得：

①根据本人研究内容，我一般将Organism限定为Mus musculus 和Homo sapiens，减少无用芯片集。

②芯片集以Samples降序排序，优先挑选样本量大的芯片集，服用效果更好。

③目前我编写的爬虫，已实现断点爬取、随机IP、循环下载、自动关机等优化功能。因篇幅限制就不一一叙述。有兴趣的老铁可自行研究更有趣的功能。欢迎各种学习交流！

放源代码和动版的信息：

链接: https://pan.baidu.com/s/1RxqD96_2BVogk9jG3vQTnw

提取码: ht66