python - 使用生成器 ( python ) 解析 fasta 文件

Question

我正在尝试解析一个大型 fasta 文件，但遇到内存不足错误。一些改进数据处理的建议将不胜感激。目前该程序正确打印出名称但是部分通过文件我得到一个 MemoryError

这是生成器

def readFastaEntry( fp ):
    name = ""
    seq = ""
    for line in fp:
        if line.startswith( ">" ):
            tmp = []
            tmp.append( name )
            tmp.append( seq )
            name = line
            seq = ""
            yield tmp
        else:
            seq = seq.join( line )

这里是调用者 stub 更多将在这部分工作后添加

fp = open( sys.argv[1], 'r' )

for seq in readFastaEntry( fp ) :
    print seq[0]

对于那些不熟悉 fasta 格式的人，这里有一个例子

>1 (PB2)
AATATATTCAATATGGAGAGAATAAAAGAACTAAGAGATCTAATGTCACAGTCTCGCACTCGCGAGATAC
TCACCAAAACCACTGTGGACCACATGGCCATAATCAAAAAGTACACATCAGGAAGGCAAGAGAAGAACCC
TGCACTCAGGATGAAGTGGATGATG
>2 (PB1)
AACCATTTGAATGGATGTCAATCCGACTTTACTTTTCTTGAAAGTTCCAGCGCAAAATGCCATAAGCACC
ACATTTCCCTATACTGGAGACCCTCC

每个条目都以“>”开头，说明名称等，然后接下来的 N 行是数据。除了下一行在开头有一个“>”之外，没有定义数据的结尾。

Answer 1

您是否考虑过使用 BioPython .他们有一个 sequence reader可以读取fasta文件。如果您有兴趣自己编写代码，可以查看 BioPython's code .

编辑:添加代码

def read_fasta(fp):
    name, seq = None, []
    for line in fp:
        line = line.rstrip()
        if line.startswith(">"):
            if name: yield (name, ''.join(seq))
            name, seq = line, []
        else:
            seq.append(line)
    if name: yield (name, ''.join(seq))

with open('f.fasta') as fp:
    for name, seq in read_fasta(fp):
        print(name, seq)