perl - 处理制表符分隔的文件并将字段存储在复杂的数据结构中

Question

我正在尝试处理以下文件:

http://bioinfo.mc.vanderbilt.edu/TSGene/Human_716_TSGs.txt

...包含 700 多条记录，每条记录有 11 个制表符分隔的字段。每条记录都包含相同的重复类别，即 GeneID、Gene_symbol、Alias、Xref、Chromosome、Cytoband、Full_name、Gene_type、Description、Nucleotide_Sequence 和 Protein_Sequence。我想提取所有的 GeneID(所有记录中的第一个字段)、所有的细胞带和所有的蛋白质序列，并构建一个复杂的数据结构，例如:

$genes->{$gene_name}{$cytoband} = $protein_sequence;

我的问题是我只能获取第一条记录(11 个字段)并将它们分配给列表。我不知道如何捕获和存储构成一列的所有字段。我的初步尝试如下:

use strict;
use warnings;
use autodie;

my ($gene, $symbol, $alias, $xref,
    $chromo, $cytoband, $full_name, $gene_type, $desc, $nuc_seq, $pro_seq);

open FH, '<', 'human_tsgs.txt';
    my @data = do {local $/; <FH>};
close FH;

for (@data)
{
    ($gene, $symbol, $alias, $xref, $chromo, $cytoband,
     $full_name, $gene_type, $desc, $nuc_seq, $pro_seq) = split "\t", $_;

     #print $gene, "\n";
}

我们将不胜感激任何建设性的反馈。

谢谢!

凯特琳

Answer 1

问题在于您读取文件的方式。您通过在 block 中将其设为 local 来取消定义 $/ 。

这是因为这个原因发生的事情:

• 如果是$/，就是the input line seperator , 是undef，它会将整个文件读成一行。
• 因此，@data 将只有一个包含整个文件的元素。
• 稍后，当您在 for 循环中对其进行迭代时，您会在 $_ 中获得整个文件。
• split 将为您提供所有字段(尽管第 11 个字段应该有 value_row1_11\nvalue_row2_1。
• 不过，您还没有看到，因为您的调试只有 print $gene，这是第一个值。

---

您需要做的是逐行读取文件。没有必要为此干预 $/。

open my $fh, '<', 'human_tsgs.txt' or die $!;
while ( my $line = <$fh> ) {
  chomp $line;
  my ( $gene, $symbol, $alias, $xref, $chromo, $cytoband, $full_name,
       $gene_type, $desc, $nuc_seq, $pro_seq ) = split "\t", $line;
}
close $fh;

如果您在某个时候有较大的文件，逐行读取它也有利于内存处理。如果你 slurp 整个文件，你需要将它存储在内存中。这样，您一次只需要存储一行来处理数据。

---

实现此目的的另一种方法是使用 Text::CSV模块。