如何使用R启动浏览器并批量提取PubMed对应PMID的论文标题与摘要

你当前使用的browseURL()仅具备唤起系统浏览器打开链接的能力，本身没有任何网页内容抓取、解析的交互逻辑，因此无法直接获取页面内的文本内容。对应的PubMed批量题录提取需求完全可以自动化实现，且不需要走“打开浏览器手动复制页面”的低效路径——NCBI提供的公开题录接口可以直接返回结构化纯文本数据，稳定性远高于直接爬取HTML页面。

• 第一步：整理需要处理的PMID列表，支持批量传入

# 示例PMID列表，可根据实际需求追加
pmid_vec <- c("19592249", "32072834", "34912876")

• 第二步：构造标准化请求，直接拉取对应文献的纯文本内容，无需浏览器渲染

# 拼接接口请求参数
target_url <- paste0(
  "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi",
  "?db=pubmed",
  "&id=", paste(pmid_vec, collapse = ","),
  "&rettype=abstract",
  "&retmode=text"
)
# 拉取全量文本，无需要求浏览器完成页面渲染
full_page_text <- readLines(target_url, warn = FALSE)

• 第三步：从拉取的文本中拆分提取单独文献的标题、摘要内容
  接口返回的文本有固定格式规则，每个文献条目以PMID编号开头，后续依次排列标题、作者、期刊信息、摘要块，通过简单的文本匹配即可完成信息拆分：

# 初始化存储结果的数据框
result_df <- data.frame(
  pmid = pmid_vec,
  title = NA_character_,
  abstract = NA_character_,
  stringsAsFactors = FALSE
)

# 按PMID边界切分独立文本块
text_blocks <- split(full_page_text, cumsum(grepl("^[0-9]+:", full_page_text)))

# 逐块提取标题和摘要信息
for(block in text_blocks) {
  current_pmid <- gsub(":", "", block[1])
  # 提取标题：PMID行之后的第一个非空文本行，移除末尾冗余的句号
  non_empty_lines <- block[trimws(block) != ""]
  title_text <- gsub("\\.$", "", trimws(non_empty_lines[2]))
  # 提取摘要：从"Abstract"标识行开始，拼接后续所有关联文本
  abs_line_pos <- which(grepl("^Abstract", block))
  if (length(abs_line_pos) > 0) {
    abs_text <- trimws(paste(block[(abs_line_pos + 1):length(block)], collapse = " "))
  } else {
    abs_text <- "该文献无公开摘要内容"
  }
  # 将提取结果写入结果表
  result_df[result_df$pmid == current_pmid, c("title", "abstract")] <- list(title_text, abs_text)
}

• 接口速率限制：未申请NCBI API Key的普通请求，单IP每秒最多可发起3次调用，批量处理大量PMID时，建议每发起10个请求后调用Sys.sleep(1)做请求间隔，避免被临时限制访问
• 全量内容获取：如果需要先把页面所有内容完整拉取下来再做后续筛选，只需要把请求参数里的rettype=abstract换成rettype=full，就能拿到包含作者、期刊、关键词、DOI、出版时间等全量题录信息的纯文本，不需要做复杂的网页DOM解析
• 方案优势：相比启动浏览器做自动化操作的方案，直接拉取接口文本的方式不受浏览器弹窗、登录提示、页面样式改版的干扰，处理速度远高于浏览器自动化路径，批量处理上百上千个PMID时也不会出现卡顿

内容的提问来源于stack exchange，提问作者PersianK