如何通过抓取从UCSC基因组浏览器中提取表浏览器结果

Question

我想自动化从UCSC基因组浏览器提取信息的过程，以节省大量手动输入。以下代码到达我认为是表单的正确部分，但我无法提取结果：

 from mechanize import Browser
 from bs4 import BeautifulSoup
 import requests
 import re
 br = Browser()
 url = 'http://genome-euro.ucsc.edu/cgi-bin/hgTables?hgsid=201790284_dkwVYFu7V6ISmTzFGlXzo23aUhXk'
 br.set_handle_robots( False )
 for form in br.forms():
      if form['position']:
           print form['position']
           form['position'] = 'chr9:21802635-21865969'
           print form['position']
           break
 for form in br.forms():
     if form['hgta_doTopSubmit']:
          br.submit()

第一部分工作正常，并更改要查询的基因组的位置。第二部分似乎没有提交任何东西。它返回此错误：

回溯（最近一次调用）： 文件"C：\Documents and Settings\Silvia\Desktop\Copy\web_scraping\UCSC\table_browser_form.py"，第 26 行，位于 br.submit（） 文件 "C：\Python27\lib\site-packages\mechanize-0.2.5-py2.7.egg\mechanize_mechanize.py"，第 541 行，提交中 return self.open（self.click（*args， **kwds）） 文件 "C：\Python27\lib\site-packages\mechanize-0.2.5-py2.7.egg\mechanize_mechanize.py"，第 530 行，单击 request = self.form.click（*args， **kwds）属性错误："NoneType"对象没有属性"单击"

手动，网站返回与有关此位置的详细信息相对应的文本屏幕，但我似乎无法在此处提取它。有人对如何解决这个问题有任何建议吗？我只需要存储输出的结果 - 相当于用户在网站上按"获取结果"。非常感谢。

Answer 1

您可以随时使用 requests 发出请求：

import requests
url = 'http://genome-euro.ucsc.edu/cgi-bin/hgTables?hgsid=201790284_dkwVYFu7V6ISmTzFGlXzo23aUhXk'    
session = requests.Session()
params = {
    'hgsid': '201790284_dkwVYFu7V6ISmTzFGlXzo23aUhXk',
    'jsh_pageVertPos': '0',
    'clade': 'mammal',
    'org': 'Human',
    'db': 'hg19',
    'hgta_group': 'genes',
    'hgta_track': 'refGene',
    'hgta_table': 'refFlat',
    'hgta_regionType': 'range',
    'position': 'chr9:21802635-21865969',
    'hgta_outputType': 'gff',
    'boolshad.sendToGalaxy': '0',
    'boolshad.sendToGreat': '0',
    'boolshad.sendToGenomeSpace': '0',
    'hgta_outFileName': '',
    'hgta_compressType': 'none',
    'hgta_doTopSubmit': 'get output'
}
response = session.post(url, data=params)
print response.content

指纹：

chr9    hg19_refFlat    start_codon 21802748    21802750    0.000000    +   .   gene_id "MTAP"; transcript_id "MTAP"; 
chr9    hg19_refFlat    CDS 21802748    21802780    0.000000    +   0   gene_id "MTAP"; transcript_id "MTAP"; 
chr9    hg19_refFlat    exon    21802635    21802780    0.000000    +   .   gene_id "MTAP"; transcript_id "MTAP"; 
chr9    hg19_refFlat    CDS 21815432    21815518    0.000000    +   0   gene_id "MTAP"; transcript_id "MTAP"; 
...
chr9    hg19_refFlat    exon    21861975    21865969    0.000000    +   .   gene_id "MTAP"; transcript_id "MTAP";