如何通过NCBI解析HTML获取蛋白质序列？<pre>标签解析返回None问题

标签的问题 #

• 问题根源：你构造的URL请求后，NCBI返回的是纯文本格式的FASTA数据，而非HTML页面，所以用BeautifulSoup解析HTML结构自然找不到

  标签，返回None。
  

• 直接获取序列的简单方法：不需要用BeautifulSoup，直接读取响应的文本内容即可，代码修改如下：

import requests

cds_id = "NP_001339842.1" 
fasta_url = f"https://www.ncbi.nlm.nih.gov/protein/{cds_id}/?report=fasta"

fasta_response = requests.get(fasta_url)
fasta_response.raise_for_status()         

# 直接打印FASTA格式的序列内容
print(fasta_response.text)

• 更稳定的官方方法：使用NCBI官方的Entrez API（需要先安装biopython库：pip install biopython），这种方式不受页面结构变化影响，是NCBI推荐的合法访问方式：

from Bio import Entrez, SeqIO

# 必须填写你的邮箱，NCBI用来追踪API使用情况
Entrez.email = "your_email@example.com"  
cds_id = "NP_001339842.1"

# 获取FASTA格式的序列记录
handle = Entrez.efetch(db="protein", id=cds_id, rettype="fasta", retmode="text")
record = SeqIO.read(handle, "fasta")
handle.close()

# 输出序列相关信息
print(f"序列ID: {record.id}")
print(f"序列描述: {record.description}")
print(f"蛋白质序列: {record.seq}")

内容的提问来源于stack exchange，提问作者심지운