逐行解析 XML 文件

Question

这就是问题所在。我正在尝试解析来自 GenBank 的 XML 信息文件。该文件包含有关多个 DNA 序列的信息。我已经为 genbacnk 的另外两种 xml 格式（TINY xml 和 INSD xml）完成了这项工作，但是纯 xml 让我头疼。这是我的程序应该如何工作的。从 GenBank 下载包含 X 个序列信息的 xml 格式文件。运行我的 perl 脚本，逐行搜索该 xml 文件并将我想要的信息打印到一个新文件中，以 fasta 格式。就是这样：>Sequence_name_and_information\n 序列\n >sequence_name.... 不断重复，直到您获得 xml 文件中的所有序列。不过，我的问题是，在纯 xml 中，序列本身位于基因或序列基因座的标识符之前。序列的基因或基因座应与“>”位于同一行。这是我打开文件并解析它的代码：

open( New_File, "+>$PWD_file/$new_file" ) or die "\n\nCouldn't create file. Check permissions on location.\n\n";

    while ( my $lines = <INSD> ) {
        foreach ($lines) {
            if (m/<INSDSeq_locus>.*<\/INSDSeq_locus>/) {
                $lines =~ s/<INSDSeq_locus>//g and $lines =~ s/<\/INSDSeq_locus>//g and $lines =~ s/[a-z, |]//g; #this last bit may cause a bug of removing the letters in the genbank accession number
                $lines =~ s/ //g;
                chomp($lines);
                print New_File ">$lines\_";
            } elsif (m/<INSDSeq_organism>.*<\/INSDSeq_organism>/) {
                $lines =~ s/<INSDSeq_organism>//g and $lines =~ s/<\/INSDSeq_organism>//g;
                $lines =~ s/(\.|\?|\-| )/_/g;
                $lines =~ s/_{2,}/_/g;
                $lines =~ s/_{1,}$//;
                $lines =~ s/^>*_{1,}//; 
                $lines =~ s/\s{2}//g;
                chomp($lines);
                print New_File "$lines\n";
            } elsif (m/<INSDSeq_sequence>.*<\/INSDSeq_sequence>/) {
                $lines =~ s/<INSDSeq_sequence>//g and $lines =~ s/<\/INSDSeq_sequence>//g;
                $lines =~ s/ //g;
                chomp($lines);
                print New_File "$lines\n";
            }
        }
    }
    close INSD;
    close New_File;
}

有两个地方可以找到基因/基因座信息。该信息位于以下两个标签之间：LOCUS_NAME 或 GENE_NAME。会有一个，或者另一个。如果一个有信息，另一个将是空的。在任何一种情况下，都需要将两者都添加到 >....... 行的末尾。

谢谢，

阿尔法A

PS--我试图通过打开 "$NA", ">" 序列来将该信息打印到“文件”，然后继续执行程序，找到基因信息，将其打印到 >行，然后读取 $NA 文件并将其打印到 > 行之后的行。我希望这很清楚。

Answer 1

在我看来，您应该使用XSLT 和XPath 来导航到您需要的数据。

正如@Brian 所建议的，使用已建立的 XML 解析技术和库更容易。

甚至还有Perl library for XSLT

Answer 2

使用 XML 解析器。我不是生物学家，我不确定您想要的最终格式，但以此为起点应该很简单。匿名子中的$_[1] 包含一个哈希引用，据我所知，我认为您希望通过解析所需标签的父标签来保存所有内容。以您希望的格式打印出 $_[1] 的元素应该很容易：

use strict;
use warnings;

use XML::Rules;
use Data::Dumper;

my @rules = (
  _default => '',
  'INSDSeq_locus,INSDSeq_organism,INSDSeq_sequence' => 'content',
  INSDSeq  => sub { delete $_[1]{_content}; print Dumper $_[1]; return },
);

my $p = XML::Rules->new(rules => \@rules);
$p->parsefile('sequence.gbc.xml');

这只是为了轻松打印您想要的标签。或者，如果您想要一些其他标签，我真正可能会做的是（如果您只是逐个打印元素，则根本不需要 @tags 变量）：

my @tags = qw(
  INSDSeq_locus
  INSDSeq_organism
  INSDSeq_sequence
);

my @rules = (
  _default => 'content',
  # Elements are, e.g. $_[1]{INSDSeq_locus}
  INSDSeq  => sub { print "$_: $_[1]{$_}\n" for @tags; return; },
);

与：

my $p = XML::Rules->new(rules => \@rules, stripspaces => 4);