Préambule

L’objectif de ce tutoriel est de créer une liste des outils (essentiellement packages R) développés par un groupe de personnes à partir de leurs adresses email ou identifiants en récupérant les informations automatiquement par requêtage web.

Web scraping et text mining

L’extraction automatique de contenu web ou web scraping

Le web scraping (parfois appelé harvesting) est une technique d’extraction du contenu de sites Web, via un script ou un programme, dans le but de le transformer pour permettre son utilisation dans un autre contexte. (source : https://fr.wikipedia.org/wiki/Web_scraping)

Le package {{httr}} permet de travailler avec des URLs et HTTP (https://httr.r-lib.org/). Il permet d’écrire des requêtes web avec la fonction GET() et retourne un objet json à inspecter et retravailler. Il peut être utiliser en lien avec le package {{curl}} (https://jeroen.cran.dev/curl/) et {{jsonlite}} (https://cran.r-project.org/web/packages/jsonlite/). Ce dernier est utile pour manipuler les objets liste json souvent complexes.

Fouille de texte ou text mining

Le text mining consiste à structurer du texte pour en sortir du contenu. Des techniques sont implémentées sous R dans le package {{tidytext}}.

https://www.tidytextmining.com/tidytext.html

Récupération de packages par web scraping

Notre objectif est d’établir une liste de packages R développés par un groupe de personnes défini à partir de dépôts R ou git.

Dépots R (CRAN et Bioconductor)

Pour les packages Bioconductor, on utilisera le package {{BiocPkgTools}} et pour ceux du CRAN la fonction tools::CRAN_package_db():

emails_int <- c("andrea.rau@inrae.fr",
                "nathalie.vialaneix@inrae.fr")
# browse CRAN
cran_db <- tools::CRAN_package_db()
cran_int <- purrr::map (emails_int, function(x) grep(x, cran_db$`Authors@R`))
pkgs_cran <- cran_db[unique(unlist(cran_int)),]

On peut ainsi récupérer la liste des packages et les métadonnées associées des auteurs pour lesquels nous avons mentionné le courriel, quelque soit leur rôle.

bpi <- BiocPkgTools::biocPkgList()
bpi_int <- purrr::map (emails_int, function(x) grep(x, bpi$`Maintainer`))
pkgs_bioc <- bpi[unique(unlist(bpi_int)),]

Pour Bioconductor, on ne peut récupérer que les packages pour lesquels l’adresse email du mainteneur fait partie de la liste d’emails recherchées.

Autres dépôts :

repos = "http://www.omegahat.net/R"
rop <- httr::GET("https://ropensci.org/packages/all/")
http_type(rop)
rop_content <- httr::content(rop, "text")

Dépôts github

L’objectif est de récupérer pour un utilisateur donné la liste de ses dépots github (publics) puis de faire un tri sur ceux écrits en langage R.

On utilise pour cela l’ API github permettant d’écrire des requêtes web: https://docs.github.com/en/rest.

Petit défaut, la requête web demande de connaitre l’identifiant github moins pratique que l’adresse email plus standardisée.

# recuperation des repositories (publics) github d'un utilisateur
ghrepos <- httr::GET("https://api.github.com/users/andreamrau/repos")

# type de l'objet récupéré: une liste json
httr::http_type(ghrepos)
## [1] "application/json"
# status de la requête (réussi ou pas)
httr::http_status(ghrepos)
## $category
## [1] "Success"
## 
## $reason
## [1] "OK"
## 
## $message
## [1] "Success: (200) OK"
# nombre de repos récupérés
lg_repo<-length(httr::content(ghrepos))
lg_repo
## [1] 28
# nom de chaque repo + langage utilisé
for (i in seq(1,lg_repo)){
  print(httr::content(ghrepos)[[i]]$name)
  print(httr::content(ghrepos)[[i]]$language)
}
## [1] "andrea"
## [1] "SCSS"
## [1] "andreamrau.github.io"
## [1] "HTML"
## [1] "bayesR"
## NULL
## [1] "BayesR_Simulations"
## NULL
## [1] "blogdown_source"
## [1] "HTML"
## [1] "clustree"
## [1] "R"
## [1] "COOLKIT"
## NULL
## [1] "coseq"
## [1] "R"
## [1] "CV"
## [1] "TeX"
## [1] "ebdbNet"
## [1] "C"
## [1] "EDGE-in-TCGA"
## [1] "R"
## [1] "FirebrowseR"
## [1] "R"
## [1] "GBNcausal"
## [1] "R"
## [1] "HTSCluster"
## [1] "R"
## [1] "HTSFilter"
## [1] "R"
## [1] "maskmeans"
## [1] "R"
## [1] "miscR"
## [1] "R"
## [1] "OpticRegen_2019"
## [1] "R"
## [1] "padma"
## [1] "R"
## [1] "RIFplus"
## [1] "Fortran"
## [1] "RMFRJLA_2019"
## [1] "R"
## [1] "rnaseq_tutorial"
## [1] "R"
## [1] "rosetta"
## [1] "R"
## [1] "rpkg-min"
## [1] "R"
## [1] "rpl"
## [1] "R"
## [1] "shinyGEO"
## [1] "CSS"
## [1] "tidyqtldb"
## [1] "R"
## [1] "tp-rgcca"
## [1] "TeX"
# Possibilité de faire un tri sur les dépots contenant du R et de récupérer 
# la description et d'autres informations
# Exemple sur 1 depot contenant du R, recherche du fichier DESCRIPTION
# Si on trouve ce fichier dans un depot contenant du langage R, 
# c'est que c'est un package (à automatiser)
onerepo<-httr::GET("https://api.github.com/repos/andreamrau/padma/contents/")

grep("DESCRIPTION",httr::content(onerepo))
## [1] 2

A noter que Ropensci impose que les packages déposés chez eux, un fois approuvés, aient un depot sur leur profil github. Il est donc possible de parcourir, par une requête web, tous les fichiers DESCRIPTION des depots github de Ropensci à la recherche des emails utilisateurs:

# Récupérer les noms des depots github de ropensci
ghrepos <- httr::GET("https://api.github.com/users/ropensci/repos")
# créer un vecteur contenant les noms de tous les depots
opname<-list()
for (i in seq(1,length(httr::content(ghrepos)))){
  opname[[i]]<-httr::content(ghrepos)[[i]]$name
}

# Rechercher un pattern dans chaque fichier DESCRIPTION
# utiliser grep()
# parcourir le vecteur des noms de depots 
# + GET() sur le contenu des fichiers DESCRIPTION
#test<-GET(paste0("https://raw.githubusercontent.com/ropensci/",
#                 opname[[3]],
#                 "/master/DESCRIPTION")
          
ldesc<-purrr::map(opname,function(x)
                          content(
                            GET(paste0("https://raw.githubusercontent.com/ropensci/",
                                x,
                                "/master/DESCRIPTION"))))  

emails_int <- c("andrea.rau@inrae.fr",
                "nathalie.vialaneix@inrae.fr",
                "camille.piponiot@gmail.com")

resgrep <- purrr::map (emails_int, function(x) grep(x, ldesc))

Dépots gitlab

Avec l’instance gitlab de la forgemia, c’est un peu plus compliqué. Il faudrait créer un token d’authentification pour pouvoir faire des requêtes sur l’API gitlab.

La démarche est néanmoins la même: https://docs.gitlab.com/ee/api/api_resources.html

Le préfixe des requêtes est https://forgemia.inra.fr/api/v4/.