c - 用C获取文件中每一行的长度并写入输出文件

Question

我是一名生物专业的学生，​​我正在尝试学习 perl、python 和 C，并在我的工作中使用这些脚本。所以，我有一个文件如下:

>sequence1
ATCGATCGATCG
>sequence2
AAAATTTT
>sequence3
CCCCGGGG  

输出应如下所示，即每个序列的名称和每行中的字符数，并在文件末尾打印序列总数。

sequence1 12
sequence2 8
sequence3 8
Total number of sequences = 3

我可以让 perl 和 python 脚本工作，这是 python 脚本的例子:

#!/usr/bin/python

import sys

my_file = open(sys.argv[1]) #open the file
my_output = open(sys.argv[2], "w") #open output file

total_sequence_counts = 0

for line in my_file: 
    if line.startswith(">"):
        sequence_name = line.rstrip('\n').replace(">","") 
        total_sequence_counts += 1 
        continue    
    dna_length = len(line.rstrip('\n')) 
    my_output.write(sequence_name + " " + str(dna_length) + '\n')
my_output.write("Total number of sequences = " + str(total_sequence_counts) + '\n')

现在，我想用 C 编写相同的脚本，这是我目前所取得的成就:

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

int main(int argc, char *argv[])
{
input = FILE *fopen(const char *filename, "r");
output = FILE *fopen(const char *filename, "w"); 

double total_sequence_counts = 0;
char sequence_name[];

char line [4095]; // set a temporary line length
char buffer = (char *) malloc (sizeof(line) +1); // allocate some memory

while (fgets(line, sizeof(line), filename) != NULL) { // read until new line character is not found in line

    buffer = realloc(*buffer, strlen(line) + strlen(buffer) + 1); // realloc buffer to adjust buffer size
    if (buffer == NULL) { // print error message if memory allocation fails
        printf("\n Memory error");
        return 0;
    }
    if (line[0] == ">") {
        sequence_name = strcpy(sequence_name, &line[1]); 
        total_sequence_counts += 1
        }
        else {
            double length = strlen(line);
            fprintf(output, "%s \t %ld", sequence_name, length);
        }
    fprintf(output, "%s \t %ld", "Total number of sequences = ", total_sequence_counts);
}
    int fclose(FILE *input); // when you are done working with a file, you should close it using this function. 
    return 0;
    int fclose(FILE *output);
    return 0;
}

但是这段代码，当然是错误百出，我的问题是，尽管学习了很多，我仍然不能正确理解和使用内存分配和指针，所以我知道我在那部分特别有错误。如果您能对我的代码发表评论并了解它如何变成实际可用的脚本，那就太好了。顺便说一下，在我的实际数据中，每行的长度没有定义，所以我需要为此目的使用 malloc 和 realloc。

Answer 1

对于像这样的简单程序，您一次只查看短行，您不必担心动态内存分配。使用合理大小的本地缓冲区可能就足够了。

另一件事是，C 并不是特别适合快速而肮脏的字符串处理。例如，标准库中没有 strstrip 函数。您通常最终会自己实现此类行为。

一个示例实现如下所示:

#include <stdlib.h>
#include <stdio.h>
#include <string.h>
#include <ctype.h>



#define MAXLEN 80       /* Maximum line length, including null terminator */

int main(int argc, char *argv[])
{
    FILE *in;
    FILE *out;

    char line[MAXLEN];          /* Current line buffer */
    char ref[MAXLEN] = "";      /* Sequence reference buffer */
    int nseq = 0;               /* Sequence counter */

    if (argc != 3) {
        fprintf(stderr, "Usage: %s infile outfile\n", argv[0]);
        exit(1);
    }

    in = fopen(argv[1], "r");
    if (in == NULL) {
        fprintf(stderr, "Couldn't open %s.\n", argv[1]);
        exit(1);        
    }

    out = fopen(argv[2], "w");
    if (in == NULL) {
        fprintf(stderr, "Couldn't open %s for writing.\n", argv[2]);
        exit(1);        
    }

    while (fgets(line, sizeof(line), in)) {
        int len = strlen(line);

        /* Strip whitespace from end */
        while (len > 0 && isspace(line[len - 1])) len--;
        line[len] = '\0';

        if (line[0] == '>') {
            /* First char is '>': copy from second char in line */
            strcpy(ref, line + 1);
        } else {
            /* Other lines are sequences */
            fprintf(out, "%s: %d\n", ref, len);
            nseq++;
        }
    }

    fprintf(out, "Total number of sequences. %d\n", nseq);

    fclose(in);
    fclose(out);

    return 0;
}

很多代码都是关于强制参数和打开和关闭文件的。 (如果您将 stdin 和 stdout 与文件重定向一起使用，您可以减少很多代码。)

核心是大while循环。注意事项:

• fgets 在出错或到达文件末尾时返回 NULL。
• 第一行确定行的长度，然后从末尾删除空白。
• 减少长度是不够的，最后剥离的字符串必须以空字符终止 '\0'
• 当您检查行中的第一个字符时，您应该检查一个字符，而不是一个字符串。在 C 中，单引号和双引号不能互换。 ">" 是两个字符的字符串文字，'>' 和终止符 '\0'。
• 在处理字符串中的字符等可数实体时，请使用整数类型，而不是 float 。 (我在这里使用了 (signed) int，但是因为一行中不能有负数的字符，所以使用 unsigned 类型可能更好。)
• 符号line + 1等同于&line[1]。
• 我展示的代码没有检查每个序列是否总是有一个引用。我将把它作为练习留给读者。

对于初学者来说，需要跟踪的内容可能很多。对于像您这样的小型文本处理任务，Python 和 Perl 绝对更适合。

编辑:上面的解决方案不适用于长序列；它仅限于 MAXLEN 个字符。但是，如果您只需要长度而不需要序列的内容，则不需要动态分配。

这是一个更新版本，它不读取行，而是读取字符。在 '>' 上下文中，它存储了引用。否则它只是保持计数:

#include <stdlib.h>
#include <stdio.h>
#include <ctype.h>      /* for isspace() */



#define MAXLEN 80       /* Maximum line length, including null terminator */

int main(int argc, char *argv[])
{
    FILE *in;
    FILE *out;

    int nseq = 0;               /* Sequence counter */
    char ref[MAXLEN];           /* Reference name */

    in = fopen(argv[1], "r");
    out = fopen(argv[2], "w");

    /* Snip: Argument and file checking as above */

    while (1) {
        int c = getc(in);

        if (c == EOF) break;

        if (c == '>') {
            int n = 0;

            c = fgetc(in);
            while (c != EOF && c != '\n') {
                if (n < sizeof(ref) - 1) ref[n++] = c;
                c = fgetc(in);
            }
            ref[n] = '\0';
        } else {
            int len = 0;
            int n = 0;

            while (c != EOF && c != '\n') {
                n++;
                if (!isspace(c)) len = n;
                c = fgetc(in);
            }

            fprintf(out, "%s: %d\n", ref, len);
            nseq++;
        }
    }

    fprintf(out, "Total number of sequences. %d\n", nseq);

    fclose(in);
    fclose(out);

    return 0;
}

注意事项:

• fgetc 从文件中读取单个字节并在文件结束时返回该字节或 EOF。在此实现中，这是唯一使用的阅读功能。
• 存储引用字符串也是通过fgetc 实现的。您也可以在跳过初始尖括号后使用 fgets。
• 计数只是读取字节而不存储它们。 n 是总计数，len 是到最后一个非空格的计数。 (您的行可能只包含没有任何尾随空格的 ACGT，因此您可以跳过空格测试并使用 n 而不是 len。)