C - 将一个文件保存到两个单独的数组并打印每个元素

Question

我有一个 DNA 序列文件和关联的 ID，我试图将偶数行(ID)保存到一个数组，将奇数行(序列)保存到另一个数组。然后我想将所有序列相互比较以找到唯一的序列。例如，Seq A 是 AGTCGAT，Seq B 是 TCG，Seq B 不是唯一的。我想将唯一序列及其 ID 保存到输出文件中，并且 id 序列不是唯一的，仅将 ID 保存到输出文件中并将“删除带有 ID 的序列:”打印到控制台。我已经完成了，但遇到了一些问题。我尝试打印出两个单独的数组，sequence[] 和 headers[]，但由于某种原因，它们只包含 5 个字符串中的两个(该文件有 5 个 ID 和 5 个 header )。然后信息就没有按照预期的方式打印到屏幕上。

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

int main(){

  int total_seq = 20000;
  char seq[900];
  char** headers;
  char** sequences;
  int sequence_size = 0;

  headers = malloc(total_seq * sizeof(char*));
  sequences = malloc(total_seq * sizeof(char*));

  int index;
  for(index = 0; index < total_seq; index++){
    headers[index] = malloc(900 * sizeof(char));
    sequences[index] = malloc(900 * sizeof(char));
  }

  FILE *dna_file;
  FILE *new_file;
  dna_file = fopen("inabc.fasta", "r");
  new_file = fopen("output.fasta", "w");

  if (dna_file == NULL){
    printf("Error");
    return 0;
  }

  int i = 0;
  int j = 0;
  while(fgets(seq, sizeof seq, dna_file)){
    if(i%2 == 0){
      strcpy(headers[i/2], seq);
      i++;
    }
    else{
      strcpy(sequences[i/2], seq);
      i++;
    }
  }


  fclose(dna_file);
  sequence_size = i/2;

  char* result;
  for(i=0; i < sequence_size; i++){
    for(j=0; j < sequence_size; j++){
      if(i==j){
        continue;
    }
      result = strstr(sequences[j], sequences[i]);
      if(result== NULL){
        fprintf(new_file,"%s", headers[i]);
        fprintf(new_file,"%s", sequences[i]);
      }
      else{
        printf("Deleting sequence with id: %s \n", headers[i]);
        printf(sequences[i]);
        fprintf(new_file,"%s", headers[i]);
      }
    }
  }

示例文件 inabc.fasta 很短，但我正在使用的实际文件很长，这就是我使用 malloc 的原因。任何帮助将不胜感激!

编辑:示例输入文件 inabc.fasta:

cat inabc.fasta

> id1 header1
abcd
> id2 header2
deghj
> id3 header3
defghijkabcd
> id4 header4
abcd
> id5 header5
xcvbnnmlll

因此对于此示例，序列 1 和 4 将不会保存到输出文件

Answer 1

这个:

while( fgets(seq, sizeof seq, dna_file) ) {
    if( i % 2 == 0 ){
        strcpy(headers[i], seq);
        i++;
    }
    else {
        strcpy(sequences[i-1], seq);
        i++;
    }
}

将跳过数组中的所有其他元素:

1. 当i == 0时，会存储在headers[0]
2. 当i == 1时，会存储在sequences[0]
3. 当i == 2时，会存储在headers[2]
4. 当i == 3时，会存储在sequences[2]

等等。

然后你就可以:

sequence_size = i/2;

因此，如果您循环 sequence_size 次，则只能完成已写入数组部分的一半，并且您打印的所有其他元素都将未初始化。这就是为什么你只打印一半的元素(如果你有 5 个元素，那么 i/2 == 2，你只会看到 2)，以及为什么它“不打印”以应有的方式显示在屏幕上”。

在读取输入时，最好使用两个单独的计数器，并使用一个单独的变量来存储输入的奇数行还是偶数行。

例如:

int i = 0, j = 0, even = 1;
while( fgets(seq, sizeof seq, dna_file) ) {
    if( even ){
        strcpy(headers[i++], seq);
        even = 0;
    }
    else {
        strcpy(sequences[j++], seq);
        even = 1;
    }
}

这里最好有两个变量，因为如果您读取奇数行，则两个数组将包含不同数量的读取元素。