按行解析一个XML文件

Question

所以问题在这里。我正试图解析来自GenBank的XML文件信息。该文件包含多个DNA序列的信息。我已经完成了genbacnk（TINY xml和INSD xml）中的其他两种xml格式，但纯xml让我很头疼。这是我的程序应该如何工作。下载一个xml格式的文件，其中包含来自GenBank的X个序列信息。运行我的perl脚本，它可以逐行搜索该xml文件，并以fasta格式将我想要的信息打印到新文件中。这是：>序列名称和信息\ n序列\ n>序列名称......并且直到您拥有来自xml文件的所有序列。我的问题是，在纯xml中，序列本身出现在序列基因或基因座的标识符之前。序列的基因或基因座应与“>”一致。下面是我从打开该文件，并通过它分析的点有代码：

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; 
} 

有两个地方找到基因/基因信息。该信息位于这两个标记之间：LOCUS_NAME或GENE_NAME。会有一个，或另一个。如果有人有信息，其他人将是空的。无论哪种情况，都需要添加到> .......行的末尾。

感谢，

AlphaA

PS - 我试图打印信息，以“文件”做开放“$ NA”，“>”序列到，然后与移动上程序，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后面的行中。我希望这很清楚。

Answer 1

在我看来，您应该使用XSLT和XPath导航到您需要的数据。

正如@布莱恩建议，使用已建立的XML解析技术和库更容易。

甚至有一个Perl library for XSLT

Answer 2

使用XML解析器。我不是生物学家，我不确定你想要的最终格式，但它应该很简单，以此为出发点。 $_[1]在匿名子文件中包含一个哈希引用，从上面我可以告诉的，我认为你想要解析所需标记的父标记时保存的所有内容。它应该很容易打印出的$元素_ [1]，你希望它是格式：

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'); 

而这仅仅是使打印你想要的标签很容易。或者，如果你想一些其他的标签，我真的会做的就是这个（你并不真正需要的@tags变量在所有如果你只是用元素打印元件）：

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; }, 
); 

有：

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