从CAZy database中爬取数据+多恶心的数据都要坚持清洗

糖基因的分类：

• 糖甘水解酶 glycosidehydrolases
• 糖基转移酶 glycosyltransferases
• 多糖裂解酶 polysaccharidelyases
• 糖脂酶( carbohydrate esterases)
• 磺基转移酶

目前储存糖基因的数据库：

• CAZy (carbohydrate-active enzymes database) www.cazy.org
• GGDB (glycogene database) www.glycome-db.org
• KEGG glycan www.genome.jp/kegg/glycan

---

我从CAZy中提取想要的糖甘水解酶和糖基转移酶的全部基因
CAZy:提供了酶分子序列的家族信息，物种来源，基因序列，蛋白序列，三维结构，EC分类，相关数据库链接……

1.选基因组数据库

2.将物种选人

3 此时的网页：
http://www.cazy.org/e358.html
心中窃喜，html就是表格形式，可以爬取了。

4. 打开R

library(XML)
url<- "http://www.cazy.org/e358.html"
df1 <- readHTMLTable(url,header=T,stringAsFactors=F)
raw_data<-as.data.frame(df1[[5]])
colnames(raw_data)<-as.character(t(raw_data)[,1])
raw_data<-raw_data[-c(1,2),]

raw_data

上图就是我们爬取的数据，我发现，family中以GT开头的是糖基转移酶，以GH开头的是糖基水解酶，于是我分别把它们提取出来

library(tidyr)
library(dplyr)
GT<-raw_data[grepl("GT",raw_data$Family),]
GH<-raw_data[grepl("GH",raw_data$Family),]
GT[,1]<-as.character(GT[,1])
GH[,1]<-as.character(GH[,1])

protein name字段中，括号内的才是我需要的基因名，怎么把它清洗出来呢？

gene_1<-sapply(GT[,1],function(i){
  if(grepl("[(]",i)==FALSE){return(i)}
  else{strsplit(i,"[//()]")[[1]][2]}
})
gene_1<-as.data.frame(gene_1)
gene_2<-sapply(as.character(gene_1[,1]),function(i){
  if(grepl("[;]",i)==FALSE){return(i)}
  else{strsplit(as.character(i),";")[[1]]}
})
gene_2<-as.data.frame(unlist(gene_2))
m<-a
for(i in 1:length(gene_2)){m<-c(m,length(gene_2[[i]]))}
k<-max(m)
n<-c(gene_2[[1]],rep(NA,times=(k-length(gene_2[[1]]))))
for(i in 2:length(gene_2)){
  n<-rbind(n,c(gene_2[[i]],rep(NA,times=(k-length(gene_2[[i]])))))}
GT_1<-cbind(GT,n)

最终格式

每次看自己的代码都觉得不满意，太啰嗦。要走的路还有很长，加油吧。