如何使用Python从输入文本（PDB文件）的多行中收集和收集单词？

Question

我正在编写一个Python脚本，该脚本收集文本文件（PDB文件）中的单词，然后以短语形式收集它们。 但是，由于我只是编程的初学者，因此在执行该程序时遇到了很大的困难。 我知道怎么做，每次只需一行。 我希望你们能给我一些帮助。 请。

文本包含有关蛋白质位点的信息。 每个站点都有四个专用的信息行 ，如下所示：

REMARK 800  
REMARK 800 SITE_IDENTIFIER: CC1                                                 
REMARK 800 EVIDENCE_CODE: SOFTWARE                                              
REMARK 800 SITE_DESCRIPTION: BINDING SITE FOR RESIDUE EDO A 326                 
REMARK 800                                                                      
REMARK 800 SITE_IDENTIFIER: DF8                                                 
REMARK 800 EVIDENCE_CODE: AUTHOR                                             
REMARK 800 SITE_DESCRIPTION: BINDING SITE FOR RESIDUE HEM T 238
REMARK 800                                                                      
REMARK 800 SITE_IDENTIFIER: FC7                                                 
REMARK 800 EVIDENCE_CODE: SOFTWARE                                              
REMARK 800 SITE_DESCRIPTION: BINDING SITE FOR RESIDUE NAG D 1001 

#and so on ...

在下面的链接（搜索“ REMARK 800”）中可以看到一个扩展的示例： http : //www.pdb.org/pdb/files/3HDL.pdb

观察到

• 第一行没有任何内容。 （它只是将一个信息与下一个信息分开）
• 第二个具有SITE_IDENTIFIER 。 （例如CC1）
• 第三个 ， EVIDENCE_CODE 。 （例如软件）
• 第四 ，一些残渣信息。 （例如EDO A 326）

在本书的大部分内容中都可以看到这种模式。

我要做的是从四个连续的专用行中的三个中收集一些单词，以一种方式将它们组合在一起。 必要的信息是SITE_IDENTIFIER ， EVIDENCE_CODE和SITE_DESCRIPTION中的 3个单词 。 因此，关于上面的文本摘录，生成的短语将如下所示：

CC1 SOFTWARE EDO A 326
DF8 AUTHOR HEM T 238
FC7 SOFTWARE NAG D 1001

#and so on...

有可能吗？ 如果是这样，你们能想象我该怎么做吗？

我尝试过以这种方式进行操作，但是我感觉它根本无法工作：

name_file = "3HDL.pdb"

pdb_file = open(name_file,"r")

for line in pdb_file:
    list = line.split()

    list_2=[]
    for j in range(0, 15):
        list_2.append("")

    if (list[0] == "REMARK" and list[1] == "800"):
        j=0
        while not j == len(list):
            list_2[j] = list[j]
            j+=1

        n=1
        if(list_2[0] == "REMARK" and list_2[1] == "800" and list_2[2] == "SITE_IDENTIFIER:"):
            n+=1
            print("Site", str(n) + ":", list_2[3])
            print("ok" + "\n")

如您所见，我真的是一个初学者。

抱歉任何语法问题，非常感谢。

Answer 1

这样的事情怎么样：

import re

f = open("3HDL.pdb", "r")

for line in f:
  m = re.search(r"REMARK 800 SITE_IDENTIFIER: (.+)", line)
  if m:
    site_id = m.group(1).strip()
  else:
    m = re.search(r"REMARK 800 EVIDENCE_CODE: (.+)", line)
    if m:
      evidence_code = m.group(1).strip()
    else:
      m = re.search(r"REMARK 800 SITE_DESCRIPTION: (.+)", line)
      if m:
        site_descrip = m.group(1).strip()
        print site_id, evidence_code, site_descrip

f.close()

或者，如果您想避免使用正则表达式模块：

f = open("3HDL.pdb", "r")

for line in f:
  if line.startswith("REMARK 800"):
    if line.startswith("SITE_IDENTIFIER:", 11):
      site_id = line[28:].rstrip()
    elif line.startswith("EVIDENCE_CODE:", 11):
      evidence_code = line[26:].rstrip()
    elif line.startswith("SITE_DESCRIPTION:", 11):
      site_descrip = line[29:].rstrip()
      print site_id, evidence_code, site_descrip

f.close()

Answer 2

这里我们假设所需的内容是第2,3行的最后一个单词和第4行的最后3个单词。

name_file = "3HDL.pdb"
pdb_file = open(name_file,"r")
output = []
for linenum, line in enumerate(pdb_file):
    if linenum % 4 ==0:
        continue
    elif linenum % 4 == 1:
        output.append(line.split()[-1])
    elif linenum % 4 == 2:
        output.append(line.split()[-1])
    elif linenum % 4 == 3:
        output.extend(line.split()[-3:])
for i in range(len(output)/6):
    print ' '.join(output[i:i+6])