提前阅读BufferedReader（Java）

Question

我正在为以下文件编写解析器：

LOCUS       SCU49845     5028 bp    DNA             PLN       21-JUN-1999
DEFINITION  Saccharomyces cerevisiae TCP1-beta gene, partial cds, and Axl2p
            (AXL2) and Rev7p (REV7) genes, complete cds.
ACCESSION   U49845
VERSION     U49845.1  GI:1293613

我想获取某些标签（DEFINITION，VERSION等）之前的信息，但是一些描述涉及多行，因此我确实需要所有这些信息。 使用BufferdReader读取我的文件时，这是一个问题。 我几乎是通过使用mark（）和reset（）来弄清楚的，但是在执行程序时，我注意到它仅适用于一个标签，而其他标签则被跳过了。 这是我到目前为止的代码：

Pattern pTag = Pattern.compile("^[A-Z]{2,}");//regex: 2 or more uppercase letters is a tag

Matcher mTagCurr = pTag.matcher(line);                

if (mTagCurr.find()) {
    reader.mark(1000);

    String nextLine = reader.readLine();
    Matcher mTagNext = pTag.matcher(nextLine);                    
    if (mTagNext.find()){
        reader.reset();
        continue;
    }

    Pattern pWhite = Pattern.compile("^\\s{6,}");
    Matcher mWhite = pWhite.matcher(nextLine);
    while (mWhite.find()) {
        line  = line.concat(nextLine);
    }                    
    System.out.println(line);
}

这段代码应该查找覆盖多行的标记和连接描述。 我在这里找到的一些答案建议使用Scanner。 这不是我的选择。 我使用的文件可能很大（我遇到的最大文件大小是> 50GB），通过使用BufferedReader，我希望减轻系统负担。

Answer 1

我建议您在一次通过解析器中累积阅读时所获得的信息。 我怀疑在这种情况下这将更简单，更快。

顺便说一句，您要缓存模式，因为创建它们非常昂贵。 在某些情况下，您可能会希望完全避免使用它们。

Answer 2

该代码从找到一条连续行开始，如果找不到它，则调用reset() ，但是读取其他行的代码似乎没有做到这一点。 难道是正在读取Genbank文件中另一部分的开头而不是将其放回原处？ 我在这里看不到所有的循环控制代码，但是我看到的似乎是正确的。

如果所有其他方法都失败了，并且您需要轻松解决问题，那么总会有BioJava（请参阅如何使用Biojava3读取Genbank文件并查看是否有帮助）。 我曾尝试将BioJava用于我自己的项目，但它总是有点不足。

当我写完FASTA和FASTQ解析器后，我读入一个byte或char缓冲区并以这种方式处理它，但是还有更多的缓冲区管理代码要写。 这样，我不必担心将字节放回缓冲区中。 这也可以避免使用正则表达式，而正则表达式在时间紧迫的应用程序中可能会很昂贵。 当然，这需要更多的时间来实施。

提示：如果要自己管理缓冲区，则为实现最快速度，请查看NIO（ Java NIO教程 ）。 我已经看到在某些情况下（写入数据）放弃了10倍的加速。 唯一的缺点是我还没有找到一种使用NIO读取压缩序列数据的简便方法。