biorxiv-database

用途

bioRxiv Database 是一个基于 Python 的工具型技能，用于高效搜索和检索 bioRxiv 预印本数据库中的生命科学预印本。它支持按关键词、作者、日期范围和学科分类进行综合检索，返回结构化 JSON 元数据，并支持下载全文 PDF 用于分析。

主要能力

关键词搜索：在标题、摘要或作者列表中搜索包含特定关键词的预印本，可通过 --search-fields 自定义搜索字段。
作者搜索：查找指定作者在特定日期范围内的所有论文。
日期范围搜索：检索特定日期范围内发布的所有预印本，支持 --days-back 快捷方式。
按 DOI 获取论文详情：检索特定预印本的详细元数据，接受完整 DOI URL。
PDF 下载：下载任意预印本的全文 PDF，支持批量处理。
分类过滤：按 bioRxiv 学科分类过滤搜索，如 genomics、neuroscience、bioinformatics 等。

使用方式

命令行脚本

关键词搜索示例：

python scripts/biorxiv_search.py \
  --keywords "CRISPR" "gene editing" \
  --start-date 2024-01-01 \
  --end-date 2024-12-31 \
  --output results.json

带分类过滤：

python scripts/biorxiv_search.py \
  --keywords "neural networks" "deep learning" \
  --days-back 180 \
  --category neuroscience \
  --output recent_neuroscience.json

作者搜索：

python scripts/biorxiv_search.py \
  --author "Smith" \
  --start-date 2023-01-01 \
  --end-date 2024-12-31 \
  --output smith_papers.json

按 DOI 获取详情：

python scripts/biorxiv_search.py \
  --doi "10.1101/2024.01.15.123456" \
  --output paper_details.json

下载 PDF：

python scripts/biorxiv_search.py \
  --doi "10.1101/2024.01.15.123456" \
  --download-pdf paper.pdf

Python API

可直接导入 BioRxivSearcher 类进行复杂工作流：

from scripts.biorxiv_search import BioRxivSearcher

searcher = BioRxivSearcher(verbose=True)

keywords_papers = searcher.search_by_keywords(
    keywords=["CRISPR", "gene editing"],
    start_date="2024-01-01",
    end_date="2024-12-31",
    category="genomics"
)

author_papers = searcher.search_by_author(
    author_name="Smith",
    start_date="2023-01-01",
    end_date="2024-12-31"
)

paper = searcher.get_paper_details("10.1101/2024.01.15.123456")

success = searcher.download_pdf(
    doi="10.1101/2024.01.15.123456",
    output_path="paper.pdf"
)

formatted = searcher.format_result(paper, include_abstract=True)

输出格式

所有搜索返回结构化 JSON，包含查询条件、结果数量和结果列表。每条结果包含 doi、title、authors、author_corresponding、author_corresponding_institution、date、version、type、license、category、abstract、pdf_url、html_url、jatsxml、published 等字段。

有效分类

支持按以下 bioRxiv 学科分类过滤：animal-behavior-and-cognition、biochemistry、bioengineering、bioinformatics、biophysics、cancer-biology、cell-biology、clinical-trials、developmental-biology、ecology、epidemiology、evolutionary-biology、genetics、genomics、immunology、microbiology、molecular-biology、neuroscience、paleontology、pathology、pharmacology-and-toxicology、physiology、plant-biology、scientific-communication-and-education、synthetic-biology、systems-biology、zoology。

适用场景

搜索特定研究领域的最新预印本
追踪特定作者的发表
进行系统性文献综述
分析特定时间段的研究趋势
获取引用管理所需的元数据
下载预印本 PDF 用于分析
按 bioRxiv 学科分类过滤论文

最佳实践

使用适当的日期范围：较小的日期范围返回更快。
尽可能使用 --category 过滤以减少数据传输并提高搜索精度。
脚本包含自动延迟（请求间隔 0.5 秒），大规模数据收集时建议增加额外延迟。
将搜索结果保存为 JSON 文件以避免重复 API 调用。
预印本可能有多个版本，version 字段指示返回的版本，PDF URL 包含版本号。
检查输出 JSON 中的 result_count，空结果可能表示日期范围问题或 API 连接问题。
使用 --verbose 标志查看 API 请求和响应的详细日志。

测试

前置条件：

uv pip install requests

运行测试：

python tests/test_biorxiv_search.py

测试套件验证初始化、日期范围搜索、分类过滤、关键词搜索、DOI 查找、结果格式化和区间搜索。

参考文档

references/api_reference.md 包含完整的 bioRxiv API 文档，涵盖 API 端点规范、响应格式详情、错误处理模式、速率限制指南和高级搜索模式。

限制

资料中未提供关于收费、价格、平台兼容性、具体性能指标或效果保证的信息。