C 高效地将4个字符序列压缩为每个字符2位的文件

我试图压缩一个基因组序列。这些是由字母“A”、“C”、“G”和“T”组成的字符串。在文本文件形式中，它们存储为字符。因为只有4个，所以在一个文件中可以表示为两个位

换句话说：ACTG->00 01 10 11，而不是8位字符

这些数据将被写回一个文件，其中每个字节代表4个字符。在bash脚本或C程序中，最有效的方法是什么

---

谢谢

这里有一个过滤器，它首先以最低有效位对序列进行编码：

#include <stdio.h>

int main(void) {
    unsigned i = 0;
    int c, d = 0;
    while ((c = getchar()) != EOF) {
        switch (c) {
          case 'A': d |= 0 << (2 * (i & 3)); break;
          case 'C': d |= 1 << (2 * (i & 3)); break;
          case 'T': d |= 2 << (2 * (i & 3)); break;
          case 'G': d |= 3 << (2 * (i & 3)); break;
          default: continue; // ignore all other characters
        }
        if ((++i & 3) == 0) {
            putchar(d);
            d = 0;
        }
    }
    if (i & 3) {
        putchar(d);
    }
    return 0;
}

#包括
内部主（空）{
无符号i=0；
int c，d=0；
而（（c=getchar（））！=EOF）{
开关（c）{
案例“A”：d |=0
char
s是C中最小的数据类型，它们仍然是8位。你不能真正创建一个2位大小，但是看看一些建议，如何创建一个1字节的
struct
来保存4条信息。你能为每个可能的排列分配一个数字吗？当然，然后你必须读/写你的文件在二进制模式下。将数字保存为可读文本不会节省太多空间。下面看起来不错。祝你好运！是的，我可以为每一个4的排列分配一个值，但我正在尝试找到一种有效的方法。使用开关似乎非常耗时。我相信你的意思是
@NominalAnimal:你是对的，答案更新。像素顺序更常见，但有点不一致：第n个基数应为字节数
n/4
，并使用位数
2*（n%4）
和
2*（n%4）+1
。这种不一致性可以追溯到早期的位图图形，在早期的位图图形中，像素在图形内存字节中的顺序与它们在阿拉伯数字中的基2转录形式在视觉上是一致的。这种顺序在数学上是不一致的，但在文化上对西方人来说是正确的。我不太理解。
n
th base是字节数
n/4
，并且在示例代码和一般代码中都使用位
2*（n%4）
和
2*（n%4）+1
。噢，我明白了：不一致之处在于顺序是最高有效位优先，但对齐或打包是最低有效位（占用）首先，我不认为西方习惯是造成这种情况的原因（特别是，在某些体系结构上标记为0位的MSB会更西方化，但现在很少）；我认为位移位无处不在，使这种形式的打包/解包变得简单和快速更可能是原因。@NominalAnimal:数字是按英语和阿拉伯语的顺序写的，但在英语中，最重要的数字排在第一位，而在阿拉伯语中，因为它是从右向左读的，所以最不重要的数字排在第一位在你的评论中，从最有意义的数字中提取比特是非常罕见的，因为更自然地考虑比特n来代表值2 ^ n.Ah，现在我明白了。我不同意，我们写数字的顺序特别是西方；毕竟，十进制数字系统是从印度教阿拉伯数字系统中派生出来的！有人可能会说写“三百二十一”——因为在许多以前被称为“一二三百”的语言中，as 123更“西方化”……然而，我完全同意顺序不是基于数学的，也不是最优的，而是任意选择的，可能是出于文化原因。
#include <stdio.h>

int main(void) {
    unsigned i = 0;
    int c, d = 0;
    while ((c = getchar()) != EOF) {
        switch (c) {
          case 'A': d = (d << 2) | 0; break;
          case 'C': d = (d << 2) | 1; break;
          case 'T': d = (d << 2) | 2; break;
          case 'G': d = (d << 2) | 3; break;
          default: continue; // ignore all other characters
        }
        if ((++i & 3) == 0) {
            putchar(d);
            d = 0;
        }
    }
    if (i & 3) {
        putchar(d << (2 * (3 - (i & 3))));
    }
    return 0;
}