索引只是您正在使用的信息的缩短版本。在这种情况下，您将需要“键”——@ 行上的第一个冒号（':'）和末尾附近的最后一个斜杠（'/'）之间的文本——以及某种值。
由于本例中的“值”是 4 行块的全部内容，并且由于我们的索引将为每个块存储一个单独的条目，所以如果我们使用实际值，我们会将整个文件存储在内存中索引。
相反，让我们使用 4 行块开头的文件位置。这样，您可以移动到该文件位置，打印 4 行，然后停止。总成本是存储整数文件位置所需的 4 或 8 个字节或多个字节，而不是实际基因组数据的多个字节。
这是一些完成这项工作的代码，但也做了很多验证和检查。你可能想扔掉你不使用的东西。
import sys
def build_index(path):
index = {}
for key, pos, data in parse_fastq(path):
if key not in index:
# Don't overwrite duplicates- use first occurrence.
index[key] = pos
return index
def error(s):
sys.stderr.write(s + "\n")
def extract_key(s):
# This much is fairly constant:
assert(s.startswith('@'))
(machine_name, rest) = s.split(':', 1)
# Per wikipedia, this changes in different variants of FASTQ format:
(key, rest) = rest.split('/', 1)
return key
def parse_fastq(path):
"""
Parse the 4-line FASTQ groups in path.
Validate the contents, somewhat.
"""
f = open(path)
i = 0
# Note: iterating a file is incompatible with fh.tell(). Fake it.
pos = offset = 0
for line in f:
offset += len(line)
lx = i % 4
i += 1
if lx == 0: # @machine: key
key = extract_key(line)
len1 = len2 = 0
data = [ line ]
elif lx == 1:
data.append(line)
len1 = len(line)
elif lx == 2: # +machine: key or something
assert(line.startswith('+'))
data.append(line)
else: # lx == 3 : quality data
data.append(line)
len2 = len(line)
if len2 != len1:
error("Data length mismatch at line "
+ str(i-2)
+ " (len: " + str(len1) + ") and line "
+ str(i)
+ " (len: " + str(len2) + ")\n")
#print "Yielding @%i: %s" % (pos, key)
yield key, pos, data
pos = offset
if i % 4 != 0:
error("EOF encountered in mid-record at line " + str(i));
def match_records(path, index):
results = []
for key, pos, d in parse_fastq(path):
if key in index:
# found a match!
results.append(key)
return results
def write_matches(inpath, matches, outpath):
rf = open(inpath)
wf = open(outpath, 'w')
for m in matches:
rf.seek(m)
wf.write(rf.readline())
wf.write(rf.readline())
wf.write(rf.readline())
wf.write(rf.readline())
rf.close()
wf.close()
#import pdb; pdb.set_trace()
index = build_index('afile.fastq')
matches = match_records('bfile.fastq', index)
posns = [ index[k] for k in matches ]
write_matches('afile.fastq', posns, 'outfile.fastq')
请注意，此代码返回到第一个文件以获取数据块。如果文件之间的数据相同，则可以在发生匹配时从第二个文件复制块。
另请注意，根据您尝试提取的内容，您可能希望更改输出块的顺序，并且您可能希望确保键是唯一的，或者可能确保键不唯一但在它们匹配的顺序。这取决于你——我不确定你在用数据做什么。