Download ed estrazione di file di dati .gz utilizzando R

Question

Ho già provato a risolvere il mio problema adattando questo similar question. Tuttavia, ottengo il seguente errore per l'URL o il file con cui voglio farlo.

trying URL 'http://cbio.mskcc.org/microrna_data/human_predictions_S_C_aug2010.txt.gz' 
Content type 'application/x-gzip' length 65933953 bytes (62.9 Mb) 
opened URL 
downloaded 62.9 Mb 

Show Traceback 

Rerun with Debug 
Error in open.connection(file, "rt") : cannot open the connection In addition: Warning message: 
In open.connection(file, "rt") : 
    cannot open zip file 'D:....' 

qui è quello che ho provato:

url_S_C <- "http://cbio.mskcc.org/microrna_data/human_predictions_S_C_aug2010.txt.gz" 
tmpFile <- tempfile() 
fileName <- gsub(".gz","",basename(url_S_C)) 
download.file(url_S_C, tmpFile) 
data <- read.table(unz(tmpFile, fileName)) 
unlink(tmpFile) 

Forse someoe qui mi può aiutare perché questo particolare file non funziona per me? Si noti che questo file è di dimensioni ridotte (62,9 Mb), ma non sono riuscito a riprodurre l'errore con l'URL della domanda simile.

Grazie!

Answer 1

alcune opzioni aggiuntive, con base R:

url <- "http://cbio.mskcc.org/microrna_data/human_predictions_S_C_aug2010.txt.gz" 
tmp <- tempfile() 
## 
download.file(url,tmp) 
## 
data <- read.csv(
    gzfile(tmp), 
    sep="\t", 
    header=TRUE, 
    stringsAsFactors=FALSE) 
names(data)[1] <- sub("X\\.","",names(data)[1]) 
## 
R> head(data) 
    mirbase_acc mirna_name gene_id gene_symbol transcript_id ext_transcript_id   mirna_alignment 
1 MIMAT0000062 hsa-let-7a 5270 SERPINE2 uc002vnu.2   NM_006216 uuGAUAUGUUGGAUGAU-GGAGu 
2 MIMAT0000062 hsa-let-7a 494188  FBXO47 uc002hrc.2  NM_001008777 uugaUA-UGUU--GGAUGAUGGAGu 
3 MIMAT0000062 hsa-let-7a 80025  PANK2 uc002wkc.2   NM_153638 uugauaUGUUGG-AUGAUGGAgu 
4 MIMAT0000062 hsa-let-7a 26036  ZNF451 uc003pdp.2   AK027074 uuGAUAUGUUGGAUGAUGGAGu 
5 MIMAT0000062 hsa-let-7a  586  BCAT1 uc001rgd.3   NM_005504 uugaUAUGUUGGAUGAUGGAGu 
6 MIMAT0000062 hsa-let-7a 22903  BTBD3 uc002wnz.2   NM_014962 uuGAUAUGUUGGAU-GAUGG-AGu 
        alignment   gene_alignment mirna_start mirna_end gene_start gene_end 
1  | :|: ||:|| ||| |||| aaCGGUGAAAUCU-CUAGCCUCu   2  21  495  516 
2  || |||: ::||||||||: acaaAUCACAGUUUUUACUACCUUc   2  19  459  483 
3   |::||: ||||||||  aauuucAUGACUGUACUACCUga   3  17   77  99 
4  || || | | |||||||  ccCUCUAGA---UUCUACCUCa   2  21  1282  1300 
5  :|| |: ||||||||  guagGUAAAGGAAACUACCUCa   2  19  6410  6431 
6 || || ||| || ||||| || uaCUUUAAAACAUAUCUACCAUCu   2  21  2265  2288 
       genome_coordinates conservation align_score seed_cat energy mirsvr_score 
1 [hg19:2:224840068-224840089:-]  0.5684   122  0 -14.73  -0.7269 
2 [hg19:17:37092945-37092969:-]  0.6464   140  0 -16.38  -0.1156 
3 [hg19:20:3904018-3904040:+]  0.6522   139  0 -16.04  -0.2066 
4 [hg19:6:56966300-56966318:+]  0.7627   144  7 -14.51  -0.8609 
5 [hg19:12:24964511-24964532:-]  0.6775   150  7 -15.09  -0.2735 
6 [hg19:20:11906579-11906602:+]  0.5740   131  0 -12.59  -0.2540 

---

O se si si trovano su un sistema simile a Unix, è possibile ottenere il file .txt (all'esterno di R o utilizzando system o system2 dall'interno di R) come questo:

[nathan@nrussell tmp]$ url="http://cbio.mskcc.org/microrna_data/human_predictions_S_C_aug2010.txt.gz" 
[nathan@nrussell tmp]$ wget "$url" && gunzip human_predictions_S_C_aug2010.txt.gz 

e poi procedere come sopra, dove si sta leggendo in human_predictions_S_C_aug2010.txt da dove sono stati giustiziati wget e gunzip,

data <- read.csv(
    "~/tmp/human_predictions_S_C_aug2010.txt", 
    stringsAsFactors=FALSE, 
    header=TRUE, 
    sep="\t") 

nel mio caso.

Answer 2

È possibile leggere i dati dal file in R seguente modo (testato su Windows):

library(stringr) 
library(plyr) 
library(dplyr) 

# download and extract file from web 

temp <- tempfile() 
download.file("http://cbio.mskcc.org/microrna_data/human_predictions_S_C_aug2010.txt.gz", temp) 
gzfile(temp, 'rt') 
data <- read.csv(temp, 
       stringsAsFactors = FALSE, 
       nrows = 20) 
unlink(temp) 

# column names 

my_names <- 
    str_split(names(data), "\\.") %>% 
    unlist(.) 

# toy example using only first 6 rows of dataset 

mickey_mouse_data <- 
    head(data) %>% 
    unlist(.) %>% 
    str_split(., "\t") %>% 
    ldply(.) 

names(mickey_mouse_data) <- my_names[-1] 

tbl_df(mickey_mouse_data) 

    mirbase_acc mirna_name gene_id gene_symbol transcript_id ext_transcript_id 
1 MIMAT0000062 hsa-let-7a 5270 SERPINE2 uc002vnu.2   NM_006216 
2 MIMAT0000062 hsa-let-7a 494188  FBXO47 uc002hrc.2  NM_001008777 
3 MIMAT0000062 hsa-let-7a 80025  PANK2 uc002wkc.2   NM_153638 
4 MIMAT0000062 hsa-let-7a 26036  ZNF451 uc003pdp.2   AK027074 
5 MIMAT0000062 hsa-let-7a  586  BCAT1 uc001rgd.3   NM_005504 
6 MIMAT0000062 hsa-let-7a 22903  BTBD3 uc002wnz.2   NM_014962 
Variables not shown: mirna_alignment (chr), alignment (chr), gene_alignment (chr), 
    mirna_start (chr), mirna_end (chr), gene_start (chr), gene_end (chr), 
    genome_coordinates (chr), conservation (chr), align_score (chr), seed_cat (chr), energy 
    (chr), mirsvr_score (chr)