使用R语言easyPubMed包批量下载PubMed记录异常求助

R 4.1.3环境下easyPubMed出现两类异常的核心原因有两点：

• 2022年后NCBI对PubMed E-utilities接口的返回格式、编码规则做了调整，CRAN上适配R4.1.x的旧版easyPubMed未做对应适配，导致文件写入、内容读取时出现换行识别错误、NA填充问题。
• 最新版XML依赖包要求R版本≥4.2.0，在R4.1.3环境下安装会出现底层解析逻辑不兼容，无法正常将接口返回的文本转为XML对象。

1. 修复版本兼容问题 #

先执行以下操作清理不兼容的包版本：

remove.packages(c("easyPubMed", "XML"))

安装适配R4.1.3的版本：

• 从CRAN归档库下载XML_3.99-0.11版本源码包，本地执行安装，不要安装最新版XML包。
• 从CRAN归档库下载easyPubMed_2.13版本源码包，本地执行安装，不要直接安装CRAN当前推送的最新版easyPubMed，该2.13版本已适配NCBI更新后的接口规则。

2. 修正原有代码的参数配置 #

修复batch_pubmed_download()返回NA问题 #

原有代码缺少显式格式指定参数，且读取文件时未做编码防护，修正后代码如下：

library(easyPubMed)
new_query <- "(APE1[TI] OR OGG1[TI]) AND (2012[PDAT]:2016[PDAT])"
out.A <- batch_pubmed_download(
  pubmed_query_string = new_query,
  dest_file_prefix = "easyPM_example", 
  batch_size = 150, 
  encoding = "UTF-8",
  format = "xml",
  api_key = NULL
)
# 读取时关闭warn提示，显式指定编码
cat(readLines(out.A[1], encoding = "UTF-8", warn = FALSE)[1:32], sep = "\n")

修复fetch_pubmed_data()返回类型不符问题 #

原有代码未指定返回格式，且缺少手动解析步骤，修正后代码如下：

my_query <- '"genetic therapy"[MeSH Terms]'
my_entrez_id <- get_pubmed_ids(my_query)
# 显式指定返回格式为xml
my_abstracts_text <- fetch_pubmed_data(my_entrez_id, retmode = "xml")
# 手动调用XML包解析为目标对象
my_abstracts_xml <- XML::xmlParse(my_abstracts_text)
# 校验返回类型
class(my_abstracts_xml)

3. 兜底替代方案 #

如果上述操作后仍存在异常，可以绕过easyPubMed的封装，直接用rentrez包实现批量下载，逻辑更稳定：

# 安装依赖
install.packages(c("rentrez", "XML"))
library(rentrez)

new_query <- "(APE1[TI] OR OGG1[TI]) AND (2012[PDAT]:2016[PDAT])"
# 获取所有匹配的PMID
all_pmids <- entrez_search(db = "pubmed", term = new_query, retmax = 10000)$id
# 按150条每批拆分
batch_list <- split(all_pmids, ceiling(seq_along(all_pmids)/150))
# 分批拉取并写入本地文件
for(i in seq_along(batch_list)){
  rec_content <- entrez_fetch(db = "pubmed", id = batch_list[[i]], rettype = "xml")
  writeLines(rec_content, con = paste0("easyPM_example_batch", i, ".xml"), useBytes = TRUE)
}

内容的提问来源于stack exchange，提问作者iron captain