BGI-College生信入门——7、Perl小骆驼学习笔记（二）

「子程序」

用户自定义的函数，调用子程序也叫做呼叫（calling）子程序
函数名由字母、数字和下划线组成，但是不能以数字开头

sub subroutine{
    statements;
}

#举个例子，定义一个寻找最大值的子程序
sub getMaximun{
    my @array=sort {$a <=> $b} @_;
    my $max=$array[-1];
    return $max;
}

#调用子程序
my @a=qw/11 22 33 44 55/;
my $max=getMaximun(@a);
#子程序中的sort {$a <=> $b} @_是对数组元素从小到大排序，因此数组中最后一个元素值（$array[-1]）即最大值

1.子程序参数使用特殊数组（@_），因而第一个参数为（$_[0]），以此类推
2.可以使用return语句返回数值
3.私有变量用操作符my定义
4.可用local给全局变量赋值，但不影响主程序中该变量的值，只在该子程序和被调用的子程序中发挥作用
5.最后一次运算的结果是子程序的返回值

「输入与输出」

「文件句柄」

简单而言，文件句柄就是Perl进程与外部的I/O联系的名称
通常采用open函数打开文件

#以只读方式打开文件file.txt
open(F, "<file.txt");
#以写入方式打开file.txt
open(F, ">file.txt");
#以追加写入方式打开file.txt
open(F, ">>file.txt");

「文件句柄的命名不要与特殊的文件句柄重名」

6个特殊的文件句柄

STDIN
STDOUT
STDERR
DATA
ARGV
ARGVOUT

die处理致命错误：die "Cannot creat logfile:$!";

$!表示可读的系统错误信息，例如"permission denied"或"file not found"之类
die结尾加上换行符"\n"则表示不显示行号和文件名：die "Not enough arguments\n";

warn发送警告信息，但不中断程序运行，die会终止程序运行
自动检测致命错误：use autodie;
say进行输出，与print相似，但打印每行内容时会自动加上换行符

标量变量中的文件句柄

my $rock_fh;
open $rock_fh,'<', 'rock.txt' or die "Could not open rocks.txt: $!";
#等效于
open my $rock_fh,'<','rock.txt' or die "Could not open rocks.txt: $!";

「正则表达式」

「简单模式」

若对象是$_的内容，只需要用一对斜线（/string/），配合if/while的条件表达式

「Unicode属性」

匹配某项属性

if(/\p{Space}/){
    print "The string has some whitespace.\n";
}
#若是匹配数字，可使用\p{Digit}
if(/\p{Digit}/){
    print "The string has some digital number.\n";
}
#若想匹配不包含特定属性的字符串，则使用\P
if(/\P{Digit}/){
    print "The string has no digital number.\n";
}

「元字符」

点号（.）只能任意匹配一个字符（换行符除外）
匹配句号需要加反斜线（\）
反斜线使元字符失去特殊作用
（^）匹配行首，字符集里表示求补集
（$）匹配行尾
（.）除新行外的任一字符，在s/中匹配包括换行符在内的任一字符
（|）匹配左边或右边，择一匹配

'()'模式分组字符，反向引用括号中匹配的文字，即捕获组

反向引用写法（\1、\2，数字表示对应顺序的捕获组）
消除连续数字产生的歧义
\g{N}，其中N表示组号，若N为负数，则表示从\g{N}位置向前数第N个括号

「如何理解模式分组和反向引用？」

通过元字符我们知道如何去匹配单个字符，但若要匹配字符串，特别字符串中有2处及以上未知子串时，就需要通过分组捕获,再通过反向引用访问捕获到的字符串

例如，我爬虫获取了梦华录电视剧剧集和对应的人物信息，想要整理出每一集中出现的人物

"Menghualu01_Zhaopaner_Guqianfan" =~ /Menghualu([0-9]*)_([a-zA-Z]*)_([a-zA-Z]*)/;
print "梦华录第$1集人物:$2 $3\n";
#运行结果：
梦华录第01集人物：Zhaopaner Guqianfan

#这里使用圆括号对匹配的子串作分组，从左到右分别是1、2和3   
#因为Perl中会将匹配的内容存入特殊变量$N中，我们可以通过$1、$2和$3访问捕获到的剧集和人物信息   
#其中，$1表示剧集数，$2和$3表示对应剧集中出现的人物名字

「量词」

星号（*）匹配零次或多次
加号（+）匹配一次或多次
问号（?）匹配零次或一次
{n}匹配n次
{n,}至少匹配n次
{n,m}匹配n-m次，如a{1-10}表示匹配重复1到100次的字母a

「字符集」

'[]'表示一类字符集中的任意一个，匹配单个字符；'-'表示范围
如[0-9]表示匹配数字0-9，[^0-9]表示匹配除0-9数字外的字符
字符集简写：

\d => [0-9]，\D => [^0-9]
\w => [a-zA-Z0-9_]，\W => [^a-zA-Z0-9_]
\s => [\f\t\n\r]，\S => [^\f\t\n\r]
\h => [\t]
\v => [\f\n\r]
\R =>任意类型的换行符

「正则匹配」

/i：表示不区分大小写，/chr/i
/s：点号（.）在其中表示匹配任意字符，包括换行符
/x：忽略空白符，更易阅读

$a = "hello\ntomorrow is another world";  
if($a =~ /hello.*world/s){
    print "it's ok.\n";
}

学完一轮基础的Perl，下面简单分析一个根据id信息提取相应序列的perl脚本（https://blog.csdn.net/weixin_40099163/article/details/88723572）
学习编程最快的方式就是看懂别人写的代码

#!/usr/bin/perl -w

  1 unless(@ARGV==3){
  2    die "Usage: perl $0 <ID_lst> <input_fasta> <output> error:$!\n";
  3 }
  4 my($lst, $input, $output)=@ARGV;
  5 open LST, $lst;
  6 open INPUT, $input;
  7 open OUTPUT, ">$output";
  8 while(<INPUT>){
  9     chomp;
 10     if($_ =~ /^>..*/){
 11         $keys = $_;
 12     }
 13     else{
 14         $hash{$keys} .= $_;
 15     }
 16 }
 17 while(<LST>){
 18     chomp;
 19     if($_ =~ /^>..*/){
 20         $ID = $_;
 21         print OUTPUT $ID."\n".$hash{$ID}."\n";
 22     }
 23     else{
 24         $ID = ">".$_;
 25         print OUTPUT $ID."\n".$hash{$ID}."\n";
 26     }
 27 }

第1-3行，@ARGV是收集命令行参数的数组，这里规定用户必须提供3个参数，即ID列表文件（ID_lst）、输入序列文件（input_fasta）和输出序列文件（output），其中第2行的表示该脚本的名称
第4行，将用户输入的3个文件名依次赋值给数组@ARGV
第5行，通过文件句柄LST打开ID列表文件
第6行，通过文件句柄INPUT打开输入序列文件
第7行，通过文件句柄OUTPUT以写入方式打开输出序列文件
第8行，遍历输入序列文件
第9行，去除行尾换行符
第10行，判断该行是否以大于号（>）开头，即判断该行是否为序列ID
第11行，将匹配成功行的内容赋值给keys，keys即序列ID
第14行，将匹配失败行的内容赋值给哈希%hash{keys}，即将ID存为哈希的键，ID对应的序列存为哈希键对应的值，其中出现的双目赋值符（.=）考虑了序列为多行格式的情况
第17行，遍历输入的ID列表文件
第18行，同第9行
第19行，判断用户输入的ID名是否带大于号
第20行，把匹配成功的行赋值给$ID
第21行，通过哈希中键值对一一对应的关系，打印输出序列文件第24行，若ID不以大于号开头，则在开头加上大于号再输出到OUTPUT

posted @ 2022-07-19 16:15 华大基因学院阅读(104) 评论(0) 编辑收藏举报

刷新页面返回顶部