regex - 如何对一个文件执行多个 re.sub()？

Question

我正在尝试对一个文件执行多个正则表达式更改，但我不确定如何在保留以前的更改的同时执行此操作。我已经找到了几种方法来做到这一点，但我是编码新手，无法让它们在我的代码中工作。

import re
import sys

if len(sys.argv) != 3:
sys.exit('Error: One input and one output file is required')
fasta = open(sys.argv[1],'r')
output = open(sys.argv[2],'r+')

output1 = re.sub(r'^>\w+\|(\d+)\|.*LOXAF.*', r'>Loxodonta africana, \1, MW =',fasta)
output2 = re.sub(r'^>\w+\|(\d+)\|.*DUGDU.*', r'>Dendrohyrax dorsalis, \1, MW =',output1)
output3 = re.sub(r'(^[A-Z].*)\n', r'\1',output2)
print(output3)

理想情况下，我会将所有正则表达式写入输出文件，而不仅仅是打印它。我在下面举了一个我想做的改变的例子(为了简单起见，我减少了序列的数量和长度)。

>gi|75074720|sp|Q9TA19.1|NU5M_LOXAF RecName: Full=NADH-ubiquinone oxidoreductase chain 5; AltName: Full=NADH dehydrogenase subunit 5
MKVINLIPTLMLTSLIILTLPIITTLLQNNKTNCFLYITKTAVTYAFAISLIPTLLFIQSNQEAYISNWH
WMTIHTLKLSMSFKLDFFSLTFMPIALFITWSIM

>gi|75068112|sp|Q9TA29.1|NU1M_LOXAF RecName: Full=NADH-ubiquinone oxidoreductase chain 1; AltName: Full=NADH dehydrogenase subunit 1
MFLINVLTVTLPILLAVAFLTLVERKALGYMQLRKGPNVVGPYGLLQPIADAIKLFTKEPIYPQTSSKFL
FTVAPILALTLALTVWAPLPMPYPLINLNLSL

>gi|24418335|sp|Q8W9N2.1|ATP8_DUGDU RecName: Full=ATP synthase protein 8; AltName: Full=A6L; AltName: Full=F-ATPase subunit 8
MPQLDTTTWFITILSMLITLFILFQTKLLNYTYPLNALPISPNVTNHLTPWKMKWTKTYLPLSLPLQ

输出:

>Loxodonta africana, 75074720, MW =
MKVINLIPTLMLTSLIILTLPIITTLLQNNKTNCFLYITKTAVTYAFAISLIPTLLFIQSNQEAYISNWHWMTIHTLKLSMSFKLDFFSLTFMPIALFITWSIM
>Loxodonta africana, 75068112, MW =
MFLINVLTVTLPILLAVAFLTLVERKALGYMQLRKGPNVVGPYGLLQPIADAIKLFTKEPIYPQTSSKFLFTVAPILALTLALTVWAPLPMPYPLINLNLSL
>Dendrohyrax dorsalis, 24418335, MW =
MPQLDTTTWFITILSMLITLFILFQTKLLNYTYPLNALPISPNVTNHLTPWKMKWTKTYLPLSLPLQ

感谢您的帮助!

Answer 1

fasta 文件可能非常大。将整个文件加载到变量中不是一个好主意。我建议逐行工作(减少内存使用量)。

fasta 文件是一种格式文件，而不是纯文本文件，因此理解和使用这种格式将帮助您提取所需的信息，而无需使用 3 个盲目正则表达式替换。

建议:

import re
import sys
from itertools import takewhile

if len(sys.argv) != 3:
    sys.exit('Error: One input and one output file is required')

with open(sys.argv[1], 'r') as fi, open(sys.argv[2], 'r+') as fo:
    species = {
        'LOXAF': 'Loxodonta africana',
        'DUGDU': 'Dendrohyrax dorsalis'
    }

    sep = re.compile(r'[|_ ]');
    recF = ">{}, {}, MW =\n{}"

    def getSeq(f):
        return ''.join([line.rstrip() for line in takewhile(lambda x: x!="\n", f)])

    for line in fi:
        if line.startswith('>'):
            parts = sep.split(line, 6)
            print(recF.format(species[parts[5]], parts[1], getSeq(fi)), file=fo)