我必须解析一个UniProt文件,如下所示:
ID 001R_FRG3G Reviewed; 256 AA.
AC ERPL_ADA;
OS Frog virus 3 (isolate Goorha) (FV-3).
ID 002L_FRG3G Reviewed; 320 AA.
AC Q6GZX3;
OS Frog virus 3 (isolate Goorha) (FV-3 / ADD / PERM /
OS strain HB).
等等
我想检索所有的操作系统标识符(物种(,但情况是其中一些具有唯一的操作系统,而另一些具有连续行中的重复操作系统,我应该将其连接起来。
因此输出为:
OS Frog virus 3 (isolate Goorha) (FV-3).
OS Frog virus 3 (isolate Goorha) (FV-3 / ADD / PERM / strain HB).
对于一个操作系统,我可以使用regexp选择行,如:
while ($line=<IN>){
chomp $line;
if ($line=~ /^OSs{3}/ and $line=~ /.$/){
$os= $line;
}
}
但是当你有两个连续的操作系统时该怎么办呢?我一直在尝试添加下一个,但无法找到解决方案。
my @species;
while (1) {
my $line = <$IN>;
if (defined($line)) {
chomp($line);
my @fields = split(' ', $_, 2);
if ($fields[0] eq 'OS') {
push @species, $fields[2];
}
}
if (@species) {
say join ' ', @species;
@species = ();
}
last if !defined($line);
}