python中的awk：如何在python类中使用awk脚本？

Question

我正在尝试使用 python 运行 awk 脚本，以便处理一些数据。

有没有办法让 awk 脚本在 python 类中运行，而不使用系统类来调用它作为 shell 进程？我运行这些 python 脚本的框架不允许使用子进程调用，所以我要么想办法在 python 中转换我的 awk 脚本，要么在可能的情况下在 python 中运行 awk 脚本。

有什么建议吗？我的 awk 脚本基本上读取一个文本文件并隔离包含特定化合物的蛋白质块（输出由我们的框架生成；我在下面添加了一个示例，说明它的外观）并将它们隔离并打印出来不同的文件。

    buildProtein compoundA compoundB
    begin fusion
    Calculate : (lots of text here on multiple lines)
    (more lines)
    Final result - H20: value CO2: value Compound: value 
    Other Compounds X: Value Y: value Z:value

    [...another similar block]

例如，如果我构建了一种蛋白质，我需要查看最终结果行中是否有 CH3COOH，如果有，我必须从命令“buildProtein”开始获取整个块，直到下一个区块的开始；并将其保存在文件中；然后移动到下一个，看看它是否有我正在寻找的化合物......如果没有，我跳到下一个，直到文件末尾（文件有多次出现的化合物我搜索，有时它们是连续的，而有时它们与没有化合物的块交替。

我们非常欢迎任何帮助；现在我头疼了几个星期，在发现这个网站后，我决定寻求一些帮助。

提前感谢您的好意！

Answer 1

如果您不能使用 subprocess 模块，最好的办法是在 Python 中重新编码您的 AWK 脚本。为此，fileinput 模块是一个很棒的转换工具，具有类似 AWK 的感觉。

Answer 2

Python's re module 可以提供帮助，或者，如果您不介意正则表达式而只需要进行一些快速的字段分隔，您可以使用 the built in str .split() 和 .find() 函数。

Answer 3

我刚刚开始学习 AWK，所以我无法在这方面提供任何建议。但是，对于一些可以满足您需要的 python 代码：

class ProteinIterator():
    def __init__(self, file):
        self.file = open(file, 'r')
        self.first_line = self.file.readline()
    def __iter__(self):
        return self
    def __next__(self):
        "returns the next protein build"
        if not self.first_line:     # reached end of file
            raise StopIteration
        file = self.file
        protein_data = [self.first_line]
        while True:
            line = file.readline()
            if line.startswith('buildProtein ') or not line:
                self.first_line = line
                break
            protein_data.append(line)
        return Protein(protein_data)

class Protein():
    def __init__(self, data):
        self._data = data
        for line in data:
            if line.startswith('buildProtein '):
                self.initial_compounds = tuple(line[13:].split())
            elif line.startswith('Final result - '):
                pieces = line[15:].split()[::2]   # every other piece is a name
                self.final_compounds = tuple([p[:-1] for p in pieces])
            elif line.startswith('Other Compounds '):
                pieces = line[16:].split()[::2]   # every other piece is a name
                self.other_compounds = tuple([p[:-1] for p in pieces])
    def __repr__(self):
        return ("Protein(%s)"% self._data[0])
    @property
    def data(self):
        return ''.join(self._data)

我们这里有一个 buildprotein 文本文件的迭代器，它一次返回一个蛋白质作为 Protein 对象。这个Protein 对象足够聪明，可以知道它的输入、最终结果和其他结果。如果文件中的实际文本与问题中表示的不完全相同，您可能需要修改一些代码。以下是对代码的简短测试以及示例用法：

if __name__ == '__main__':
    test_data = """\
buildProtein compoundA compoundB
begin fusion
Calculate : (lots of text here on multiple lines)
(more lines)
Final result - H20: value CO2: value Compound: value 
Other Compounds X: Value Y: value Z: value"""

    open('testPI.txt', 'w').write(test_data)
    for protein in ProteinIterator('testPI.txt'):
        print(protein.initial_compounds)
        print(protein.final_compounds)
        print(protein.other_compounds)
        print()
        if 'CO2' in protein.final_compounds:
            print(protein.data)

我没有费心保存值，但如果您愿意，可以添加它。希望这会让您继续前进。