TechOverflow Logo
TechOverflow

在 Python 中读取 UniProt 文本格式

English Deutsch 简体中文

就像计算生物学中的许多其他数据库一样，流行的 UniProt 数据库的下载以自定义文本格式提供，文档见 ExPASy。

虽然编写通用解析器肯定不难，也可以使用 BioPython，但我认为使用仅使用标准库的经过测试的解析器通常更容易。

此代码提供了一个易于使用的基于生成器的流式解析器，将记录解析为类字典对象。字段内的换行符始终保留。解析器假设文件是 UTF-8 编码的。

read_uniprot.py
#!/usr/bin/env python3
"""
UniProt 文本格式的简单读取器，可从
http://www.uniprot.org/downloads 下载
"""
import gzip
from collections import defaultdict

__author__ = "Uli Köhler"
__copyright__ = "Copyright 2014, Uli Koehler"
__license__ = "Apache License v2.0"
__version__ = "1.0"


def readUniprot(fin):
    """给定类文件对象，生成 uniprot 对象"""
    lastKey = None  # 最后遇到的键
    currentEntry = defaultdict(str)
    for line in fin:
        key = line[:2].decode("ascii")
        #处理新条目
        if key == "//":
            yield currentEntry
            currentEntry = defaultdict(str)
        #SQ 字段除了第一行外没有行头
        if key == "  ":
            key = lastKey
        lastKey = key
        #值应为 ASCII，否则我们假设 UTF8
        value = line[5:].decode("utf-8")
        currentEntry[key] += value
    #如果还有非空条目，打印它
    if currentEntry:
        yield currentEntry

if __name__ == "__main__":
    #如何使用 readUniprot() 的示例
    import argparse
    parser = argparse.ArgumentParser()
    parser.add_argument("file")
    args = parser.parse_args()
    with gzip.open(args.file, "rb") as infile:
        #readUniprot() 生成所有文档
        for uniprot in readUniprot(infile):
            print(uniprot)
Check out similar posts by category: Bioinformatics, Python