Python 查找两个文本文件的差异

我有两个独立的文件

A

和

B

，超过100000行。现在我需要比较每一行，看看它们是否在

A

中，而不是

B

中。两个文件都是文本格式

文件A:

>Q63544|9
----------------------MDVFKKGFSIAREGVVGAVEKTKQGVTEAAEKTKEGVMY
>Q63544|51
KTKQGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKT
>Q63544|54
QGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEE
>Q63544|67
VMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRK
>Q63544|72
TKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRKEDLEP
>Q63544|73
KTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRKEDLEPP

>Q63544|51
KTKQGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKT
>Q63544|54
QGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEE
>Q63544|67
VMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRK
>Q63544|73
KTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRKEDLEPP

文件B:

>Q63544|9
----------------------MDVFKKGFSIAREGVVGAVEKTKQGVTEAAEKTKEGVMY
>Q63544|51
KTKQGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKT
>Q63544|54
QGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEE
>Q63544|67
VMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRK
>Q63544|72
TKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRKEDLEP
>Q63544|73
KTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRKEDLEPP

>Q63544|51
KTKQGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKT
>Q63544|54
QGVTEAAEKTKEGVMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEE
>Q63544|67
VMYVGTKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRK
>Q63544|73
KTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRKEDLEPP

我需要的：A-B

>Q63544|9
----------------------MDVFKKGFSIAREGVVGAVEKTKQGVTEAAEKTKEGVMY 
>Q63544|72
TKTKGERGTSVTSVAEKTKEQANAVSEAVVSSVNTVATKTVEEAENIVVTTGVVRKEDLEP

---

任何帮助或建议都将不胜感激。

您可以尝试

正则表达式

重新导入
#这里我把它作为文本，但是你可以像text_1=open（'file_1.txt'）那样读取文件
text_1=“”>Q63544|9
----------------------MDVFKKGFSIAREGVVGAVEKTKQGVTEAAEKTKEGVMY
>Q63544 | 51
KTKQGVTEAEKTKEGVMYVGTTKGERGTSVTSVAEKTKEQANVSEAVVSVNTVAKT
>Q63544 | 54
QGVteaaektkegVMyvgtkgergtsvtsvaektkeqanavsavssvntvatvee
>Q63544 | 67
Vmyvgtktkgergtsvtsvaektkeqanavseavvsvntvatktveaenivvttgvrk
>Q63544 | 72
Tktkgergtsvtsvaektkeqanavseavvsvntvatktveeenivvttgvrkedlep
>Q63544 | 73
ktkgergtsvtsvaektkeqanavseavvsvntvatveeenivvttgvrkedlepp“”
text_2=“”>Q63544| 51
KTKQGVTEAEKTKEGVMYVGTTKGERGTSVTSVAEKTKEQANVSEAVVSVNTVAKT
>Q63544 | 54
QGVteaaektkegVMyvgtkgergtsvtsvaektkeqanavsavssvntvatvee
>Q63544 | 67
Vmyvgtktkgergtsvtsvaektkeqanavseavvsvntvatktveaenivvttgvrk
>Q63544 | 73
ktkgergtsvtsvaektkeqanavseavvsvntvatveeenivvttgvrkedlepp
"""
protein_1={i[0]：如果len（i[0]）>0，则re.findall（r'^>Q63544 |（\d+）\n（.*），text_1，re.MULTILINE）中i的i[1]
protein_2={i[0]：如果len（i[0]）>0，则re.findall（r'^>Q63544 |（\d+）\n（.*），text_2，re.MULTILINE）中的i的i[1]
异种_蛋白={i:protein_1[i]表示蛋白质_1中的i，如果我不在蛋白质_2}
打印（列表（不同的蛋白质值（））

或者如果你想要那种特定的格式

异种蛋白质中i，j的

output=[f'>Q63544{i}\n{j}'
对于输出中的i：
印刷品（一）

---

NOTR：我假设所有蛋白质编号都以

Q63544

开头，也要检查。这表明堆栈溢出的需求范围太广。我可能会使用trie数据结构来解决这个问题。将其中一个文件中的数据加载到trie中，然后针对第二个文件中的每个条目，搜索trie以查看该项是否存在。您可以在每个端点节点中放置描述性元数据。