无需下载直接解析PubChem远程xml.gz文件，提取毒性代码对应CID

方法1：使用PubChem PUG-REST API查询 #

这是最便捷的方式，无需处理大文件，直接通过API过滤并获取结果：

• 构造API请求，指定过滤条件为GHS毒性代码H300，返回仅包含CID的结果
• 用命令行工具curl发起请求，配合jq提取CID（需提前安装jq）：

curl "https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/filter/JSON?ghs_hazard_code=H300&property=CID" | jq -r '.PropertyTable.Properties[].CID'

• 可将结果直接输出到文件保存：

curl "https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/filter/JSON?ghs_hazard_code=H300&property=CID" | jq -r '.PropertyTable.Properties[].CID' > h300_cids.txt

方法2：使用NCBI EDirect工具远程查询 #

EDirect是NCBI官方命令行工具集，可直接与PubChem数据库交互：

1. 完成EDirect的本地安装
2. 执行以下命令提取符合条件的CID：

esearch -db pubchem_compound -query "H300[GHS Hazard Code]" | efetch -format docsum | xtract -pattern DocumentSummary -element CID

• 该命令通过NCBI检索系统直接筛选目标化合物，输出CID列表。

方法3：流式处理FTP上的压缩XML文件 #

如果需要直接处理FTP上的原始压缩文件，可通过流式解压+XML解析的方式，无需本地存储完整文件：

• 使用curl获取压缩文件流，通过zcat实时解压，再用xmlstarlet（需提前安装）筛选含H300毒性代码的条目并提取CID：

curl https://ftp.ncbi.nih.gov/pubchem/Compound/CURRENT-Full/XML/Compound_000000001_000025000.xml.gz | zcat | xmlstarlet sel -t -m "/PC-Compound[./PC-Compound_properties/PC-Property/PC-Property_desc/PC-Text[text()='GHS Hazard Statements']/../PC-Property_value/PC-Text[contains(text(), 'H300')]]" -v "./PC-Compound_id/PC-Compound_id_cid" -n

• 注意：FTP上的化合物XML文件按CID范围分块存储，需遍历所有分块文件执行命令，或编写脚本批量处理。

内容的提问来源于stack exchange，提问作者Diana