如何用Python解析PubMed的XML数据

PubMed作为全球权威的生物医学文献数据库，支持通过API返回XML格式的数据，使用Python解析这类数据可以高效提取所需的文献信息，避免手动整理的繁琐。本文会详细介绍从数据获取到解析提取的全流程。

准备工作

解析PubMed的XML数据需要用到两个核心工具，首先是requests库用于发送HTTP请求获取XML数据，其次是BeautifulSoup库用于解析XML结构。如果本地没有安装这两个库，可以先执行以下命令安装：

pip install requests beautifulsoup4

获取PubMed的XML数据

PubMed提供了E-utilities接口，我们可以通过构造请求URL获取指定文献的XML数据。比如要获取PMID为12345678的文献数据，请求的URL格式如下：

import requests

# 构造PubMed E-utilities请求URL
pmid = "12345678"
url = f"https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=pubmed&id={pmid}&retmode=xml"

# 发送请求获取数据
response = requests.get(url)
# 检查请求是否成功
if response.status_code == 200:
    xml_data = response.text
    print("XML数据获取成功")
else:
    print(f"请求失败，状态码：{response.status_code}")

解析XML提取核心字段

获取到XML数据后，使用BeautifulSoup解析XML，提取文献的标题、作者、摘要、发表时间等常用字段。PubMed的XML结构中，文献标题存放在<ArticleTitle>标签，作者信息存放在<Author>标签下的<LastName>和<ForeName>，摘要存放在<AbstractText>标签。

from bs4 import BeautifulSoup

# 解析XML数据
soup = BeautifulSoup(xml_data, "xml")

# 提取文献标题
article_title = soup.find("ArticleTitle")
if article_title:
    title = article_title.text
    print(f"文献标题：{title}")

# 提取作者列表
authors = []
author_tags = soup.find_all("Author")
for author in author_tags:
    last_name = author.find("LastName")
    fore_name = author.find("ForeName")
    if last_name and fore_name:
        authors.append(f"{fore_name.text} {last_name.text}")
if authors:
    print(f"作者列表：{', '.join(authors)}")

# 提取摘要
abstract_tag = soup.find("AbstractText")
if abstract_tag:
    abstract = abstract_tag.text
    print(f"摘要：{abstract}")

# 提取发表时间
pub_date = soup.find("PubDate")
if pub_date:
    year = pub_date.find("Year")
    month = pub_date.find("Month")
    day = pub_date.find("Day")
    date_parts = []
    if year:
        date_parts.append(year.text)
    if month:
        date_parts.append(month.text)
    if day:
        date_parts.append(day.text)
    print(f"发表时间：{'-'.join(date_parts)}")

批量解析多文献XML数据

如果需要批量解析多个PMID对应的XML数据，可以构造多个PMID的请求，或者循环处理PMID列表。以下是批量解析的示例代码：

def parse_pubmed_xml(pmid_list):
    results = []
    base_url = "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=pubmed&id={}&retmode=xml"
    for pmid in pmid_list:
        url = base_url.format(pmid)
        response = requests.get(url)
        if response.status_code != 200:
            print(f"PMID {pmid} 请求失败")
            continue
        soup = BeautifulSoup(response.text, "xml")
        # 提取核心信息
        title_tag = soup.find("ArticleTitle")
        title = title_tag.text if title_tag else "无标题"
        abstract_tag = soup.find("AbstractText")
        abstract = abstract_tag.text if abstract_tag else "无摘要"
        results.append({
            "pmid": pmid,
            "title": title,
            "abstract": abstract
        })
    return results

# 测试批量解析
pmid_list = ["12345678", "23456789"]
data = parse_pubmed_xml(pmid_list)
for item in data:
    print(f"PMID: {item['pmid']}, 标题: {item['title']}")

注意事项

• PubMed的E-utilities接口有请求频率限制，建议每次请求间隔1秒以上，避免被限制访问。
• 部分文献可能没有摘要或者作者信息不全，解析时需要做空值判断，避免程序报错。
• 如果需要获取大量文献数据，建议使用PubMed提供的批量接口，减少请求次数，提升效率。

PythonPubMedXML解析BeautifulSoup修改时间：2026-06-14 13:36:28