Python:一种使用read()忽略/说明换行的方法

Question

所以我在从较大（>GB）的文本文件中提取文本时遇到问题。该文件的结构如下：

>header1
hereComesTextWithNewlineAtPosition_80
hereComesTextWithNewlineAtPosition_80
hereComesTextWithNewlineAtPosition_80
andEnds
>header2
hereComesTextWithNewlineAtPosition_80
hereComesTextWithNewlineAtPosAAAAAAAA
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
AAAAAAAAAAAAAAAAAAAAlineAtPosition_80
MaybeAnotherTargetBBBBBBBBBBBrestText
andEndsSomewhereHere

现在我有了信息，在header2的条目中，我需要从位置X到位置Y（本例中为A）提取文本，从1开始，作为标题下一行的第一个字母。

但是：这些位置不考虑换行符。所以基本上，当它说从1到95时，它实际上意味着下一行的从1到80的字母和后面的15。

我的第一个解决方案是使用file.read（X-1）跳过前面不需要的部分，然后使用file.red（Y-X）获得我想要的部分，但当它延伸到换行符时，我提取的字符很少。

有没有办法用read（）以外的另一个python函数来解决这个问题？我想用空字符串替换所有换行符，但文件可能相当大（数百万行）。

我还试图通过将extractLength // 80作为添加的长度来解释换行符，但在像示例这样的情况下，这是有问题的，例如，在3行中有95个字符，它是2-80-3。我实际上需要2个额外的位置，但95 // 80是1。

更新：

我修改了代码以使用Biopython:

for s in SeqIO.parse(sys.argv[2], "fasta"): 
        #foundClusters stores the information for substrings I want extracted
        currentCluster = foundClusters.get(s.id)
        if(currentCluster is not None):
            for i in range(len(currentCluster)):
                outputFile.write(">"+s.id+"|cluster"+str(i)+"n")
                flanking = 25
                start = currentCluster[i][0]
                end = currentCluster[i][1]
                left = currentCluster[i][2]
                if(start - flanking < 0):
                    start = 0
                else:
                    start = start - flanking
                if(end + flanking > end + left):
                    end = end + left
                else:
                    end = end + flanking
                #for debugging only
                print(currentCluster)
                print(start)
                print(end)
                outputFile.write(s.seq[start, end+1])

但我得到以下错误：

[[1, 55, 2782]]
0
80
Traceback (most recent call last):
  File "findClaClusters.py", line 92, in <module>
    outputFile.write(s.seq[start, end+1])
  File "/usr/local/lib/python3.4/dist-packages/Bio/Seq.py", line 236, in __getitem__
   return Seq(self._data[index], self.alphabet)
TypeError: string indices must be integers

更新2:

将outputFile.write(s.seq[start, end+1])更改为：

outRecord = SeqRecord(s.seq[start: end+1], id=s.id+"|cluster"+str(i), description="Repeat-Cluster")
SeqIO.write(outRecord, outputFile, "fasta")

及其工作：）

Answer 1

使用Biopython:

from Bio import SeqIO
X = 66
Y = 130
for s in in SeqIO.parse("test.fst", "fasta"):
    if "header2" == s.id:
         print s.seq[X: Y+1]
AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA

Biopython让您可以轻松解析fasta文件并访问其id、描述和序列。然后您就有了一个Seq对象，您可以方便地操作它，而无需对所有内容进行重新编码（如反向补码等）。