# 区分手稿与出版版：利用 PMC AWS 数据集元数据检索白茶工艺文献
## 摘要
本文基于国家生物技术信息中心（NCBI）于 2026 年 8 月 26 日发布的官方说明，介绍如何通过亚马逊云服务（AWS）访问 PMC 文章数据集。重点阐述在 S3 存储桶中区分作者手稿（author manuscript）与最终出版版本的方法，以及如何确认文件是否包含 PDF。内容严格依据 2026 年 11 月 3 日采集的文档事实，不添加外部信息。
## 核心检索逻辑：依赖元数据而非版本号
在访问 PMC Article Datasets 时，最关键的区分依据是 JSON 格式元数据对象中的 `is_manuscript` 属性。根据 2026 年 8 月 26 日的更新说明，该字段明确标记为"yes"即代表作者手稿。
版本号（Version Number）在此架构中仅反映 PMC 处理文件的序列顺序，并不直接指示文章类型或版本新旧。例如，存在版本号 2 而无版本号 1 的情况，通常是因为版本号 1 缺乏适当的许可协议而未纳入数据集。因此，不能仅凭版本号高低判断是否为出版版，必须检查 JSON 元数据中的 `is_manuscript` 字段及许可证信息。
## PDF 文件的存在性确认
要确认文章是否包含 PDF 文件，需结合搜索过滤器进行检索。官方文档指出，可以针对 PMC Open Access Subset 进行搜索以查找含 PDF 的文章。
具体的检索策略包括使用 `has_pdf[filter]` 过滤器。例如，构建如下查询语句可找到特定日期后添加且包含 PDF 的开放获取文章：
`open_access[filter] AND has_pdf[filter] NOT pmc embargo[filter]`
需要注意的是，并非所有 PMCID 都有 PDF 文件，也不是所有版本都包含 PDF。检索时应同时考虑 `pmc embargo[filter]` 以排除当前被禁用的文章。
## 数据访问与元数据获取方式
PMC 数据集通过 AWS S3 存储桶（arn:aws:s3:::pmc-oa-opendata）免费提供，无需登录即可通过 HTTPS 或 S3 URL 访问。检索元数据时，建议使用 AWS CLI 并添加 `--no-sign-request` 参数以匿名访问。
由于 S3 库存清单（Inventory）每日生成一次，存在滞后性，无法即时反映当日新增或更新的文章。若需获取最新状态，应直接查询 S3 对象的时间戳和 ETag，或使用 eSearch-S3 管道结合日期过滤器（如 `pmcrdat`）进行精确检索。
## 白茶工艺研究的数据溯源建议
针对白茶加工等特定领域的工艺研究，利用 PMC AWS 架构进行数据溯源时，应遵循以下流程：
1. **定位资源**：访问 S3 存储桶 `pmc-oa-opendata`。
2. **筛选版本**：通过元数据 JSON 检查 `is_manuscript` 字段区分手稿与出版版。
3. **验证文件**：利用 `has_pdf[filter]` 确认 PDF 可用性。
4. **处理分页限制**：若需大量数据，避免使用 ESearch API（单次限 10,000 条），转而使用 EDirect 工具或每日库存 CSV 文件。
此方法确保了在 2026 年 8 月服务架构更新后，能够准确、合规地获取和区分文献版本，支持科研数据的精确引用与溯源。