☰

根据第一列合并多个文件并节省内存问题

tag-icon • tag-icon memory perl
根据第一列合并多个文件并节省内存问题

我有多个制表符分隔的 fastq 文件。我想匹配每次读取的第二行，如果匹配则将其旁边的值相加。例如：


file1.fq
>1
ATGCCGTT      file1:1
+
HHHHKKKK

file2.fq
>2
ATGCCGTT       file2:3
+
JJKHHTTT

>3
ATTCCAAC        file2:1
+
=#GJLMNB

我想要的输出是这样的：


output.txt

ATGCCGTT      file1:1    file2:3     count:4
ATTCCAAC      file2:1          count:1

我写的代码是：



#!/usr/bin/env perl
use strict;
use warnings;
no warnings qw( numeric );
my %seen;


$/ = "";
while () {
    chomp;
    my ($key, $value) = split ('\t', $_);

    my @lines = split /\n/, $key;
    my $key1 = $lines[1];

    $seen{$key1} //= [ $key ];
    push (@{$seen{$key1}}, $value);

}

foreach my $key1 ( sort keys %seen ) {
my $tot = 0;
my $file_count = @ARGV;
for my $val ( @{$seen{$key1}} ) {
        $tot += ( split /:/, $val )[0];
    }   

if ( @{ $seen{$key1} } >= $file_count) {


        print join( "\t", @{$seen{$key1}});
        print "\tcount:". $tot."\n\n";
    }
}

该代码适用于小文件，但当我想比较大文件时，它会占用整个内存，导致脚本运行而没有结果。我想修改脚本，使其不占用内存。我不想使用任何模块。我认为如果我一次只加载一个文件到内存中，它会节省内存，但无法做到这一点。请帮助修改我的脚本。

答案1

你有没有尝试过awk？不确定它能更好地处理大文件perl，但可能值得一试：

在你的 awk 脚本中：

BEGIN {
    RS=">[0-9]+"
}

FNR==1{next}

NR==FNR {
    a[$1]++
    next
}


$1 in a {
    b[$1]++
    next
}

{
    c[$1]++
}

END {
    for (key in a) {
        if (b[key] == "") {
            printf key"\tfile1:"a[key]"\t\tcount:"a[key]"\n"
        } else {
            printf key"\tfile1:"a[key]"\tfile2:"b[key]"\tcount:"a[key]+b[key]"\n"
        }
    }
    for (key in c) {
        printf key"\t\tfile2:"c[key]"\tcount:"c[key]"\n"
    }
}

运行它：

$ awk -f myscript.awk file1 file2 > output.txt

测试它：

文件1

>1
ATGCCGTT      file1:1
+
HHHHKKKK

>2
ATTCCAACg        file2:1
+
=#GJLMNB

文件2

>2
ATGCCGTT       file2:3
+
JJKHHTTT

>3
ATTCCAAC        file2:1
+
=#GJLMNB

终端输出：

ATTCCAACg   file1:1         count:1
ATGCCGTT    file1:1 file2:1 count:2
ATTCCAAC            file2:1 count:1

答案2

将这些神秘咒语添加到您的程序中

use DB_File;
my %seen; 
unlink '/tmp/translation.db';
sleep 2; 
tie ( %seen, 'DB_File', '/tmp/translation.db' )
    or die "Can't open /tmp/translation.db\n";

并且您的哈希将不再驻留在内存中，而是驻留在磁盘上的数据库中。您可以将其余代码原样保留。确实，我使用了 DB_File 模块，但确实没有理由不这样做。它伴随着每一个珀尔开箱即用安装，因此您无需安装它或任何东西。

如果我的哈希值变得非常大，我会一直使用这种方法，并且我发现，在通过一些模糊定义的休斯点后，事情会加快很多。

相关内容