使用生成器（python）解析fasta文件

我试图解析一个大的fasta文件，但遇到内存不足的错误。如能提供一些改进数据处理的建议，将不胜感激。目前，程序正确地打印出名称，但部分通过文件我得到了一个MemoryError

这是发电机

def readFastaEntry( fp ):
    name = ""
    seq = ""
    for line in fp:
        if line.startswith( ">" ):
            tmp = []
            tmp.append( name )
            tmp.append( seq )
            name = line
            seq = ""
            yield tmp
        else:
            seq = seq.join( line )

这是调用方存根，这部分工作完成后将添加更多

fp = open( sys.argv[1], 'r' )

for seq in readFastaEntry( fp ) :
    print seq[0]

对于那些与fasta格式不相似的人，这里有一个例子

>1 (PB2)
AATATATTCAATATGGAGAGAATAAAAGAACTAAGAGATCTAATGTCACAGTCTCGCACTCGCGAGATAC
TCACCAAAACCACTGTGGACCACATGGCCATAATCAAAAAGTACACATCAGGAAGGCAAGAGAAGAACCC
TGCACTCAGGATGAAGTGGATGATG
>2 (PB1)
AACCATTTGAATGGATGTCAATCCGACTTTACTTTTCTTGAAAGTTCCAGCGCAAAATGCCATAAGCACC
ACATTTCCCTATACTGGAGACCCTCC

每个条目都以“>”开头，说明名称等，接下来的N行是数据。除了下一行开头有一个“>”之外，没有定义数据的结尾。

您是否考虑过使用。他们有一个可以读取fasta文件的系统。如果你有兴趣自己编写一个，你可以看看

编辑：添加代码

def read_fasta(fp):
    name, seq = None, []
    for line in fp:
        line = line.rstrip()
        if line.startswith(">"):
            if name: yield (name, ''.join(seq))
            name, seq = line, []
        else:
            seq.append(line)
    if name: yield (name, ''.join(seq))

with open('f.fasta') as fp:
    for name, seq in read_fasta(fp):
        print(name, seq)

---

如果不了解您正在做什么，我会这样编写代码：

def readFastaEntry( fp ):
    name = ""
    while True:
        line = name or f.readline()
        if not line:
            break
        seq = []
        while True:
            name = f.readline()
            if not name or name.startswith(">"):
                break
            else:
                seq.append(name)
        yield (line, "".join(seq))

---

这将收集从一个起始行到下一个起始行的数据。使

seq

成为一个数组意味着您将最小化字符串连接，直到最后一个可能的时刻。产生一个元组比产生一个列表更有意义。

这种格式的pyparsing解析器只有几行长。请参见以下代码中的注释：

data = """>1 (PB2) 
AATATATTCAATATGGAGAGAATAAAAGAACTAAGAGATCTAATGTCACAGTCTCGCACTCGCGAGATAC 
TCACCAAAACCACTGTGGACCACATGGCCATAATCAAAAAGTACACATCAGGAAGGCAAGAGAAGAACCC 
TGCACTCAGGATGAAGTGGATGATG 
>2 (PB1) 
AACCATTTGAATGGATGTCAATCCGACTTTACTTTTCTTGAAAGTTCCAGCGCAAAATGCCATAAGCACC 
ACATTTCCCTATACTGGAGACCCTCC"""

from pyparsing import Word, nums, QuotedString, Combine, OneOrMore

# define some basic forms
integer = Word(nums)
key = QuotedString("(", endQuoteChar=")")

# sequences are "words" made up of the characters A, G, C, and T
# we want to match one or more of them, and have the parser combine
# them into a single string (Combine by default requires all of its
# elements to be adjacent within the input string, but we want to allow
# for the intervening end of lines, so we add adjacent=False)
sequence = Combine(OneOrMore(Word("AGCT")), adjacent=False)

# define the overall pattern to scan for - attach results names
# to each matched element
seqEntry = ">" + integer("index") + key("key") + sequence("sequence")

for seq,s,e in seqEntry.scanString(data):
    # just dump out the matched data
    print seq.dump()
    # could also access fields as seq.index, seq.key and seq.sequence

印刷品：

['>', '1', 'PB2', 'AATATATTCAATATGGAGAGAATAAAAGAACTAAGAGATCTAATGTCACAGTCTCGCACTCGCGAGATACTCACCAAAACCACTGTGGACCACATGGCCATAATCAAAAAGTACACATCAGGAAGGCAAGAGAAGAACCCTGCACTCAGGATGAAGTGGATGATG']
- index: 1
- key: PB2
- sequence: AATATATTCAATATGGAGAGAATAAAAGAACTAAGAGATCTAATGTCACAGTCTCGCACTCGCGAGATACTCACCAAAACCACTGTGGACCACATGGCCATAATCAAAAAGTACACATCAGGAAGGCAAGAGAAGAACCCTGCACTCAGGATGAAGTGGATGATG
['>', '2', 'PB1', 'AACCATTTGAATGGATGTCAATCCGACTTTACTTTTCTTGAAAGTTCCAGCGCAAAATGCCATAAGCACCACATTTCCCTATACTGGAGACCCTCC']
- index: 2
- key: PB1
- sequence: AACCATTTGAATGGATGTCAATCCGACTTTACTTTTCTTGAAAGTTCCAGCGCAAAATGCCATAAGCACCACATTTCCCTATACTGGAGACCCTCC

---

这个文件有多大？最大序列有多大？文件大小从几百兆到GB不等。最大序列大小不应超过1000-2000个碱基（字符，不确定的行数），内存错误在哪里？请发布完整的回溯。感谢您提供指向文件解析器实际代码的链接。我将能够修改，以工作刚刚好。你知道为什么当前的代码不起作用吗？我想从“下次不做什么”的角度来了解。很难说为什么你的代码会失败，但我会按照hughdbrown的建议重新编写。将每个块累积到列表中，仅在最后，将列表加入一个字符串并返回一个具有名称和序列的元组。另外，我不知道您使用的是哪个python版本，但是Python3对Python2.x使用的字符串使用了更多的内存。他们正在用Python 3.3解决这个问题。我已经用一个可能的解决方案编辑了我的答案。我真的无法理解这个概念。为什么“如果名称：”？没有发电机我也能做到，但发电机压在我头上了。有人请解释一下“如果名称”和屈服是如何工作的。如果你的名字？这个名字没有。这是怎么回事？！何时为数据分配名称？在询问bool（name）==True后，它会给出结果。我不明白什么时候开始data@jukhamil该文件将在

中用

打开。此外，文件是自己的迭代器。看看：

def read_fasta(filename):
    name = None
    with open(filename) as file:
        for line in file:
            if line[0] == ">":
                if name:
                    yield (name, seq)
                name = line[1:-1].split("|")[0]
                seq = ""
            else:
                seq += line[:-1]
        yield (name, seq)