如何使用Python從輸入文本（PDB文件）的多行中收集和收集單詞？

Question

我正在編寫一個Python腳本，該腳本收集文本文件（PDB文件）中的單詞，然后以短語形式收集它們。 但是，由於我只是編程的初學者，因此在執行該程序時遇到了很大的困難。 我知道怎么做，每次只需一行。 我希望你們能給我一些幫助。 請。

文本包含有關蛋白質位點的信息。 每個站點都有四個專用的信息行 ，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 ...

在下面的鏈接（搜索“ REMARK 800”）中可以看到一個擴展的示例： http : //www.pdb.org/pdb/files/3HDL.pdb

觀察到

• 第一行沒有任何內容。 （它只是將一個信息與下一個信息分開）
• 第二個具有SITE_IDENTIFIER 。 （例如CC1）
• 第三個 ， EVIDENCE_CODE 。 （例如軟件）
• 第四 ，一些殘渣信息。 （例如EDO A 326）

在本書的大部分內容中都可以看到這種模式。

我要做的是從四個連續的專用行中的三個中收集一些單詞，以一種方式將它們組合在一起。 必要的信息是SITE_IDENTIFIER ， EVIDENCE_CODE和SITE_DESCRIPTION中的 3個單詞 。 因此，關於上面的文本摘錄，生成的短語將如下所示：

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

#and so on...

有可能嗎？ 如果是這樣，你們能想象我該怎么做嗎？

我嘗試過以這種方式進行操作，但是我感覺它根本無法工作：

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")

如您所見，我真的是一個初學者。

抱歉任何語法問題，非常感謝。

Answer 1

這樣的事情怎么樣：

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則表達式模塊：

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

這里我們假設所需的內容是第2,3行的最后一個單詞和第4行的最后3個單詞。

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])