python - 将多个 fasta 文件拆分为具有相同编号的文件

Question

我有一个包含数千个登录号的文件:
看起来像这样..

>NC_033829.1 Kallithea virus isolate DrosEU46_Kharkiv_2014, complete genome
AGTCAGCAACGTCGATGTGGCGTACAATTTCTTGATTACATTTTTGTTCCTAACAAAATGTTGATATACT

>NC_020414.2 Escherichia phage UAB_Phi78, complete genome
TAGGCGTGTGTCAGGTCTCTCGGCCTCGGCCTCGCCGGGATGTCCCCATAGGGTGCCTGTGGGCGCTAGG

如果想将其拆分为多个文件，每个文件都有一个登录号，那么我可以使用以下代码

awk -F '|' '/^>/ {F=sprintf("%s.fasta",$2); print > F;next;} {print >> F;}' < yourfile.fa

我有一个包含数千个登录号(又名 >NC_*)的文件，并希望将其拆分，例如每个文件包含约 5000 个登录号。因为我是 awk/bash/python 的新手，所以我很难找到一个巧妙的解决方案
任何想法或评论表示赞赏

Answer 1

假设:部分由空行分隔。
算法:

按部分拆分文件

从

部分提取登录号

输出部分到以登录号命名的文件名。

awk 术语:“记录”将是我们的部分 - 由空行分隔的文件的一部分(即一个接一个的两个换行符。“字段”通常用空格分隔 - 通过空格或 > 字符分隔第二个字段将是登录号。
只需将记录分隔符设置为两个换行符并将字段分隔符设置为 >或空格，然后将该行输出到以第二个字段命名的文件名:

awk -v RS='' -v FS='[> ]' '{f=($2 ".txt"); print >> f; close(f)}'

@edit 已更改 >至 >>和 RS='\n\n'至 RS=''@edit 并添加关闭