使用模式提取字符串的一部分，以Perl中的variable值開頭

Question

我是Perl的新手，我對如何執行此任務感到困惑。 我有兩個文件：

1. Seq.txt，其中包含許多序列（數據庫）
2. PID.txt，其中僅包含我需要從Seq.txt文件中提取的某些序列的ID（查詢）。

在這里，我給出了兩個文件的一小部分：

Seq.txt包含：

'>' SCO0700,  probable ABC transporter protein, ATP-binding component. 
MASSMEKPLDHRYRGEHPIRTLVYLFRADRRRLAGAVAVFTVKHSPIWLLPLVTAAIVDT
VVQHGPITDLWTSTGLIMFILVVNYPLHLLYVRLLYGSVRRMGTALRSALCTRMQQLSIG  
'>' SCO0755, putative ABC transporter 797720:799942 forward MW:79858
VSTAQETRGRRRAAPPRRSVPKSRARTVRTPTVLQMEAVECGAASLAMVLGHYGRHVPLE
ELRIACGVSRDGSRASNLLKAARSYGFTAKGMQMDLAALAEVTAPAILFWEFNHYVVYDG  
'>' SCO2305,putative ABC transporter ATP-binding subunit 2474063:2474989 forward MW:32345
MRPTEGTTPAVAFTGAAKAYGDVRAVDGVDLRIGCGETVALLGRNGAGKSTTIALLLGLC
PPDAGTVELFGGPAERAVRAGRVGAMLQEARAVPRVTVGELVAFVAGRYPAPMPVGQALE   
'>' SCO1144, putative ABC transporter ATP-binding protein 1202480:1204282 reverse MW:64637
MHPDRESAWTAPADAVEQPRQVRRILKLFRPYRGRLAVVGLLVGAASLVSVATPFLLKEI
LDVAIPEGRTGLLSLLALGMIFGAVLTSVFGVLQTLISTTVGQRVMHDLRTAVYGRLQQM  
'>' SCO1148, putative ABC transporter 1207772:1209553 forward MW:63721
MIGVAPPSYDPAAPTTANTLPVGARPTVRAYVGELLRRHRRAFLFLVTVNTVAVIASMAG
PYLLGGLVERVSDDARELRLGLTATLFVLALVVQAVFVREVRLRGAVLGERMLADLREDF

PID.txt包含：

SCO0755  
SCO1144

我寫的代碼：

open (PID, 'PID.txt');  
my @PID = '<'PID'>';  
close(PID);  
open (MSD, 'Seq.txt');  
my @MSD = '<'MSD'>';    
close(MSD);  
chomp(@MSD);  
my $MSD=join (' ', @MSD);  
print "$MSD \n";  
for ($i = 0; $i<=2; $i++) {  
  my $a=$PID[$i];  
  if ($MSD =~ m/$a(.*?)>/)  # ">" end of the string  
  {  
    print "$1 \n";  
    $output= ">".$a.$1;  
    print $output;  
    open (MYFILE, '>>data.txt');  
    print MYFILE "$output\n";    
    close (MYFILE);    
  }  
}

為什么不識別$a ？ 如果我輸入[ $ a ]，則綁定運算符可以識別$a但不返回我想要的序列（ID存儲在$a ），而是返回第一個序列。

我期望的結果是：

'>' SCO0755, putative ABC transporter 797720:799942 forward MW:79858
VSTAQETRGRRRAAPPRRSVPKSRARTVRTPTVLQMEAVECGAASLAMVLGHYGRHVPLE
ELRIACGVSRDGSRASNLLKAARSYGFTAKGMQMDLAALAEVTAPAILFWEFNHYVVYDG  
'>' SCO1144, putative ABC transporter ATP-binding protein 1202480:1204282 reverse MW:64637
MHPDRESAWTAPADAVEQPRQVRRILKLFRPYRGRLAVVGLLVGAASLVSVATPFLLKEI
LDVAIPEGRTGLLSLLALGMIFGAVLTSVFGVLQTLISTTVGQRVMHDLRTAVYGRLQQM

Answer 1

首先，不要在代碼中使用$a和$b 。 它們是特殊的變量，僅在sort塊內有意義。 避免在其他地方使用它們，請改用有意義的變量名。

其次，

my @PID = '<'PID'>';

假設您試圖將文件句柄PID的內容讀入數組，則表示：

my @PID = <PID>;

第三，當今常見的最佳實踐是使用3-arg開放式和詞法文件句柄，例如：

open(my $pidfh, '<', 'PID.txt') or die "...";
my @PID = <$pidfh>;
close $pidfh;

您use strict;嗎？ 在腳本頂部？

對於它的價值，我將您感興趣的PID讀入哈希以進行輕松查找，然后遍歷Seq.txt； 記住您要查看的條目並存儲其內容； 每次看到新條目時，請查看您之前建立的條目是否是您想要的條目，如果是，請打印它。 這樣，您就不必將文件的內容保存在內存中，如果文件很大，這將很有用。

大致類似於以下內容：

#!/usr/bin/perl
use strict;

# Read in a list of PIDs we're interested in
my %want_pid;
open(my $pidfh, '<', 'PID.txt') or die "Failed to open PID.txt - $!";
while (my($pid) = <$pidfh> =~ m{([A-Z0-9]+)}) {
    $want_pid{$pid}++ if $pid;
}

# Now process the file and print entries we want
open(my $seqfh, '<', 'Seq.txt') or die "Failed to open Seq.txt - $!";
my $current_pid;
my $current_text;
while (my $line = <$seqfh>) {
    if (my ($new_pid) = $line =~ m{^ '>' \s+ ([A-Z0-9]+) , }x) {
        # We're at the start of a new entry; if the last one is one we want, 
        # print it.
        if ($want_pid{$current_pid}) {
            print $current_text;
        }

        $current_pid = $new_pid;
        $current_text = $line;
    } else {
        # It's a continuation of an entry
        $current_text .= $line;
    }
}

close $seqfh;

（有待改進的空間，但這應該可以使您走上正確的軌道。）

Answer 2

我不能告訴你為什么要得到輸出，因為發布的代碼不是有效的Perl，並且不能編譯或運行my @PID = '<'PID'>'; 在語法上是無效的。 （應該是my @PID = <PID>; ，不帶任何引號。）因此，顯然不是要生成這些結果的代碼。

您沒有獲得任何匹配的原因是，盡管發布的代碼執行chomp(@MSD) ，但它也未執行chomp(@PID) ，因此PID僅在后跟換行符時才匹配。 在發布的數據中不是。 （並且，即使是， chomp(@MSD)也會刪除它們。）

解決此問題會使您更近一步，但由於正則表達式錯誤，因此仍無法產生所需的結果。 嘗試使用此命令（將$a重命名為$target因為a：這是一個更有意義的名稱，b： $a和$b是魔術，所以您不應使用它們）： m/'>' $target([^']*)/

最后，您的for ($i...)循環不正確，這是使用C樣式的for容易犯的錯誤。 更好地for (list) 。

修復所有這些問題，以及切換到詞法文件句柄和open的三參數形式（如David Precious所述）並進行一些常規代碼清除，可以為我們提供：

#!/usr/bin/env perl

use strict;
use warnings;

open my $pid_fh, '<', 'PID.txt';
my @PID = <$pid_fh>;
close $pid_fh;
chomp(@PID);

open my $msd_fh, '<', 'Seq.txt';
my @MSD = <$msd_fh>;
close $msd_fh;
chomp(@MSD);

my $msd = join(' ', @MSD);
my $output;
open my $outfile, '>>', 'data.txt';
for my $target (@PID) {
    if ($msd =~ m/'>' $target([^']*)/) {
        $output = ">" . $target . $1;
        print $output, "\n";
        print $outfile "$output\n";
    }
}

...產生輸出：

>SCO0755, putative ABC transporter 797720:799942 forward MW:79858 VSTAQETRGRRRAAPPRRSVPKSRARTVRTPTVLQMEAVECGAASLAMVLGHYGRHVPLE ELRIACGVSRDGSRASNLLKAARSYGFTAKGMQMDLAALAEVTAPAILFWEFNHYVVYDG   
>SCO1144, putative ABC transporter ATP-binding protein 1202480:1204282 reverse MW:64637 MHPDRESAWTAPADAVEQPRQVRRILKLFRPYRGRLAVVGLLVGAASLVSVATPFLLKEI LDVAIPEGRTGLLSLLALGMIFGAVLTSVFGVLQTLISTTVGQRVMHDLRTAVYGRLQQM

選擇正確的順序； 我將保留它們的格式完全與您要求的一樣，以供讀者練習。

Answer 3

測試這是否適合您：

use warnings;
use strict;

die "Usage: $0 <pid file> <seq file>\n" unless @ARGV == 2;

open my $pid, "<", $ARGV[0] or die "Error: Cannot open file $ARGV[0]: $!\n";
open my $seq, "<", $ARGV[1] or die "Error: Cannot open file $ARGV[1]: $!\n";

my %pid = ();
while ( <$pid> ) {
    chomp;
    s/^\s*(\S*)\s*$/$1/;
    ++$pid{$_};
}


$/ = "\'>\'";
foreach ( <$seq> ) {
    $_ = substr $_, 0, -3;
    my ($p) = split /\,/;
    $p =~ /(\S+)/;
    print "'>'", $_ if exists $pid{$1};
}

問候，