在 Python 中窥视 Popen 管道流

Question

背景：
Linux 上的 Python 2.6.6。 DNA 序列分析流程的第一部分。
我想从已安装的远程存储 (LAN) 中读取可能压缩过的文件，如果它是压缩过的； gunzip 将其压缩到一个流中（即使用gunzip FILENAME -c），如果流（文件）的第一个字符是“@”，则将整个流路由到一个过滤程序中，该程序接受标准输入的输入，否则只需将其直接通过管道传输到本地磁盘上的文件。我想尽量减少从远程存储读取/查找文件的次数（只通过文件一次应该不是不可能的吗？）。

示例输入文件的内容，前四行对应一条 FASTQ 格式的记录：

@I328_1_FC30MD2AAXX:8:1:1719:1113/1                                        
GTTATTATTATAATTTTTTACCGCATTTATCATTTCTTCTTTATTTTCATATTGATAATAAATATATGCAATTCG
+I328_1_FC30MD2AAXX:8:1:1719:1113/1                                        
hhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhhahhhhhhfShhhYhhQhh]hhhhffhU\UhYWc

不应通过管道传输到过滤程序的文件包含如下所示的记录（前两行对应于 FASTA 格式的一条记录）：

>I328_1_FC30MD2AAXX:8:1:1719:1113/1
GTTATTATTATAATTTTTTACCGCATTTATCATTTCTTCTTTATTTTCATATTGATAATAAATATATGCAATTCG

有些人编造了半伪代码来可视化我想要做什么（我知道这不可能像我写的那样）。我希望它有一些意义：

if gzipped:
    gunzip = Popen(["gunzip", "-c", "remotestorage/file.gz"], stdout=PIPE)
    if gunzip.stdout.peek(1) == "@": # This isn't possible
        fastq = True
    else:
        fastq = False
if fastq:
    filter = Popen(["filter", "localstorage/outputfile.fastq"], stdin=gunzip.stdout).communicate()
else:
    # Send the gunzipped stream to another file

忽略这样一个事实，即代码不会像我在这里写的那样运行，而且我没有错误处理等，所有这些都已经在我的其他代码中了。我只是想要帮助窥视溪流或找到解决方法。如果你能gunzip.stdout.peek(1) 我会很棒，但我意识到这是不可能的。

到目前为止我所做的尝试：
我认为 subprocess.Popen 可能会帮助我实现这一点，并且我尝试了很多不同的想法，其中包括尝试使用某种 io.BufferedRandom() 对象来写入流，但我不知道是怎么做到的会工作。我知道流是不可搜索的，但也许一种解决方法可能是读取 gunzip-stream 的第一个字符，然后创建一个新流，您首先根据文件内容输入“@”或“>”，然后填充其余部分的 gunzip.stdout-stream 到新的流。然后将这个新流输入过滤器的 Popen 标准输入。

请注意，文件大小可能比可用内存大几倍。我不想从远程存储中对源文件执行一次以上的读取，也不想进行不必要的文件访问。

欢迎任何想法！如果我说得不够清楚，请向我提问。

Answer 1

这是您的实现，首先根据文件内容输入“@”或“>”，然后将 gunzip.stdout-stream 的其余部分填充到新的流中提案。我只测试了测试的本地文件分支，但应该足以演示这个概念。

if gzipped:
    source = Popen(["gunzip", "-c", "remotestorage/file.gz"], stdout=PIPE)
else:
    source = Popen(["cat", "remotestorage/file"], stdout=PIPE)
firstchar = source.stdout.read(1)
# "unread" the char we've just read
source = Popen([r"(printf '\x%02x' && cat)" % ord(firstchar)],
               shell=True, stdin=source.stdout, stdout=PIPE)

# Now feed the output to a filter or to a local file.
flocal = None
try:
    if firstchar == "@":
        filter = Popen(["filter", "localstorage/outputfile.fastq"],
                       stdin=source.stdout)
    else:
        flocal = open('localstorage/outputfile.stream', 'w')
        filter = Popen(["cat"], stdin=source.stdout, stdout=flocal)
    filter.communicate()
finally:
    if flocal is not None:
        flocal.close()

这个想法是从源命令的输出中读取单个字符，然后使用(printf '\xhh' && cat) 重新创建原始输出，从而有效地实现 peek。替换流将shell=True 指定为Popen，将其留给shell 和cat 来完成繁重的工作。数据始终保留在管道中，永远不会完全读入内存。请注意，shell 的服务仅在对Popen 的单个调用中请求，该调用实现了不读取窥视字节，而不是对涉及用户提供的文件名的调用。即使在那个时候，字节也会被转义为十六进制，以确保 shell 在调用 printf 时不会破坏它。

可以进一步清理代码以实现名为 peek 的实际函数，该函数返回偷看的内容和替换 new_source。

Answer 2

在 Python 中封装 shell 命令是没有意义的。你可以在 Python 中实现你所需要的一切，但无需付出任何代价：

1. 打开输入文件并读取前 3 个字节。如果它们等于1F 8B 08，那么它应该是 gzip 文件。
2. 重置文件标记
3. 如果是 gzip 文件或读取文件，则将文件内容传递给 zlib.decompress()
4. 如果需要，传递给过滤函数
5. 将结果写入文件

编辑

这不起作用，因为在传递给 zlib 之前需要剥离 gzip 标头。但是，可以检查前 3 个字节，执行 fh.seek(0) 并将文件传递给 gzip.open() 如果您想确定文件是 gzip（使用 DEFLATE 压缩）。

将文件传递给 gzip 并捕获文件未压缩时抛出的异常可能更容易：

import gzip

try:
    in_file = gzip.open("infile")
    f_contents = in_file.read()
except IOError, e:
    # Re-raise exception if exception message is not "Not a gzipped file"
    # Perhaps it would be safer to check the header!
    if e.__str__() != "Not a gzipped file":
        raise
    in_file = open("infile")
    f_contents = in_file.read()

if f_contents[0] == "@":
    result = filter_function(f_contents)
else:
    result = f_contents

new_file = open("new_file", "w")
new_file.write(result)