如何使用Python基于RDFLib获取URIRef对应的本体字符串表示

推荐优先使用RDFLib直接解析RDF语义数据的方案，比爬HTML更稳定，不会受页面样式调整影响。

方案1：基于RDFLib获取标注（推荐） #

依赖安装 #

pip install rdflib requests

实现逻辑 #

OBO 本体的URIRef支持直接返回RDF格式的语义数据，我们只需在请求时指定对应格式的Accept头，拿到数据后用RDFLib提取rdfs:label属性即可，同时天然处理404无效链接的情况。

示例代码 #

import rdflib
import requests
from rdflib.namespace import RDFS
from time import sleep

def get_uriref_label(uri: str, delay: float = 0.5) -> str | None:
    # 避免请求频率过高
    sleep(delay)
    headers = {
        "Accept": "text/turtle, application/rdf+xml"
    }
    try:
        resp = requests.get(uri, headers=headers, timeout=10)
        # 处理404等无效链接
        if resp.status_code != 200:
            return None
        # 加载RDF数据
        g = rdflib.Graph()
        g.parse(data=resp.text, format="turtle" if "text/turtle" in resp.headers.get("Content-Type", "") else "xml")
        # 提取rdfs:label值
        for s, p, o in g.triples((rdflib.URIRef(uri), RDFS.label, None)):
            # 优先返回英文标注，需要其他语言可以调整语言过滤条件
            if o.language is None or o.language == "en":
                return str(o)
        return None
    except Exception as e:
        print(f"处理{uri}时出错: {str(e)}")
        return None

# 测试用例
uri_list = [
    'http://purl.obolibrary.org/obo/RO_0002219',
    'http://purl.obolibrary.org/obo/RO_0002551',
    'http://purl.obolibrary.org/obo/uberon/core#indirectly_supplies'
]
result = {}
for uri in uri_list:
    label = get_uriref_label(uri)
    result[uri] = label if label else "无有效标注"

print(result)

运行后输出示例：

{
    'http://purl.obolibrary.org/obo/RO_0002219': 'surrounded by',
    'http://purl.obolibrary.org/obo/RO_0002551': 'has skeleton part',
    'http://purl.obolibrary.org/obo/uberon/core#indirectly_supplies': '无有效标注'
}

方案2：解析HTML页面获取红色文本（不推荐） #

如果确实需要按页面样式提取红色文本，可以用BeautifulSoup解析页面，该方案稳定性依赖OBO官网页面结构不变。

依赖安装 #

pip install requests beautifulsoup4

示例代码 #

import requests
from bs4 import BeautifulSoup
from time import sleep

def get_label_from_html(uri: str, delay: float = 0.5) -> str | None:
    sleep(delay)
    try:
        resp = requests.get(uri, timeout=10)
        if resp.status_code != 200:
            return None
        soup = BeautifulSoup(resp.text, "html.parser")
        # 匹配红色样式的span标签
        red_span = soup.find("span", style=lambda value: value and "color: red" in value)
        return red_span.get_text(strip=True) if red_span else None
    except Exception as e:
        print(f"处理{uri}时出错: {str(e)}")
        return None

批量处理注意事项 #

• 可根据需求调整请求间隔delay参数，避免请求频率过高被限制访问
• 建议添加本地缓存逻辑，已处理过的URIRef无需重复请求，大幅提升批量处理效率

内容的提问来源于stack exchange，提问作者Penguin