当前位置：首页 > article >正文

玉米中的元基因调控网络突出了功能上相关的调控相互作用。/biosample_parser.py

article 2025/1/2 22:32:40

总结：

导入模块和命令行参数设置：
- 使用 argparse 处理命令行输入，获取输入文件路径。
- 导入必要的模块，如 BeautifulSoup 用于解析XML。
打开文件并解析XML：
- 读取输入的XML文件，并用 BeautifulSoup 解析为可操作的结构。
遍历 XML 数据并提取信息：
- 遍历 XML 文件中的每个 BioSample 元素，提取其中的 accession、title、tissue 和 genotype 等信息。
- 输出格式为表格形式，其中各字段通过制表符分隔。

脚本的整体功能：

这个脚本的主要功能是从一个包含生物样本信息的XML文件中提取每个生物样本的相关数据，并将这些信息输出为表格格式。具体包括：

生物样本ID（accession）
标题（title）
组织类型（tissue）
基因型（genotype）

通过命令行传递一个XML文件路径，脚本会解析该文件并打印出提取的信息。

第一部分：导入模块和设置命令行参数

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import sys
import os.path as op
from bs4 import BeautifulSoup

if __name__ == '__main__':
    import argparse
    parser = argparse.ArgumentParser(
            formatter_class = argparse.ArgumentDefaultsHelpFormatter,
            description = 'fasta utilities'
    )
    parser.add_argument('fi', help = 'input biosample xml')
    args = parser.parse_args()

解析：

#!/usr/bin/env python
这行是Shebang，用于指定脚本的解释器。在Unix-like系统中，这行代码告诉操作系统使用 python 来运行脚本。
# -*- coding: utf-8 -*-
这是声明文件编码为UTF-8，确保脚本能够正确处理非ASCII字符，如中文或其他特殊字符。
import os、import sys、import os.path as op
这些是标准的Python模块，用于文件和系统操作：
- os：用于操作文件和目录。
- sys：提供对Python解释器和操作系统的访问。
- os.path：用于路径操作，提供对文件路径的处理功能。
from bs4 import BeautifulSoup
从 bs4（BeautifulSoup库）导入 BeautifulSoup 类。BeautifulSoup 是一个Python库，用于从HTML或XML文件中提取数据，解析XML结构，常用于网页抓取和数据提取。
if __name__ == '__main__':
这一行确保当脚本直接运行时，if 语句下的代码会执行。如果该脚本被作为模块导入到其他Python脚本中，这部分代码则不会执行。
import argparse
argparse 是一个Python模块，用于解析命令行参数。脚本通过 argparse 处理传入的参数，允许用户在命令行中指定输入文件路径。
parser = argparse.ArgumentParser(...)
创建一个 ArgumentParser 对象，用于处理命令行参数。
- formatter_class = argparse.ArgumentDefaultsHelpFormatter：设置帮助信息的格式，使得默认值也能显示在帮助文档中。
- description = 'fasta utilities'：设置脚本的描述，用于显示在帮助信息中。
parser.add_argument('fi', help = 'input biosample xml')
add_argument() 方法定义了命令行参数。这里的 fi 是一个必需的参数，表示输入文件，用户必须提供一个XML文件作为输入，文件路径将被传递给程序。
args = parser.parse_args()
parse_args() 解析命令行参数，并将其存储在 args 对象中。用户输入的参数将保存在 args 对象的属性中。

总结：

这一部分的代码实现了：

导入所需的模块。
设置命令行参数，使得脚本能够从命令行接收输入的XML文件路径。

这部分的目的是准备输入并设置命令行参数，确保后续代码能够读取指定的XML文件。

很好！接下来是第二部分：打开输入文件并解析XML内容。

第二部分：打开输入文件并解析XML内容

fhi = open(args.fi, 'r')
soup = BeautifulSoup(fhi, 'xml')
print("BioSample\tTitle\ttissue\tgenotype")

解析：

fhi = open(args.fi, 'r')
- args.fi 是通过命令行参数传递的输入文件路径。open() 函数以只读模式（'r'）打开该文件，并将文件对象赋值给 fhi 变量。
- args.fi 对应的是命令行输入的文件路径，应该是一个XML文件（例如，包含生物样本信息的XML文件）。
soup = BeautifulSoup(fhi, 'xml')
- 使用 BeautifulSoup 解析打开的XML文件。'xml' 参数告诉 BeautifulSoup 解析XML格式，而不是HTML格式。
- soup 现在是一个 BeautifulSoup 对象，它表示整个XML文档，可以通过它进行进一步的数据提取操作。
print("BioSample\tTitle\ttissue\tgenotype")
- 打印表头信息。这个表头将用于输出每个生物样本的相关信息，包括：BioSample（生物样本ID）、Title（标题）、tissue（组织类型）和 genotype（基因型）。
- 每个字段之间用制表符（\t）分隔，确保输出符合表格格式，便于后续的处理或查看。

总结：

这一部分代码完成了：

打开用户指定的XML文件。
使用BeautifulSoup解析XML内容，生成 soup 对象。
打印表头，为后续的数据输出做准备。

这一部分的核心功能是读取和解析XML文件，以便后续提取数据。

很好！接下来是第三部分：遍历 XML 数据并提取信息。

第三部分：遍历 XML 数据并提取信息

for bs in soup.BioSampleSet.children:
    if len(bs) == 1: continue
    bsid = bs['accession']
    title = bs.Description.Title.string.strip("\"")
    tissue = ''
    genotype = ''
    if bs.Attributes:
        for x in bs.Attributes.children:
            if x.string.strip() == '': continue
            if x['attribute_name'] == 'tissue':
                tissue = x.string.strip()
            elif x['attribute_name'] == 'genotype':
                genotype = x.string.strip()
    print("\t".join([bsid, title, tissue, genotype]))

解析：

for bs in soup.BioSampleSet.children:
- 这行代码遍历 soup 中 BioSampleSet 元素的所有子元素。soup.BioSampleSet 返回XML中名为 BioSampleSet 的标签下的所有内容。
- .children 属性返回一个可迭代的对象，包含了 BioSampleSet 标签下的所有子元素（可能是 <BioSample> 标签）。
if len(bs) == 1: continue
- 这一行检查当前元素（bs）是否只有一个子元素。如果是，则跳过当前循环，继续处理下一个元素。此判断通常用于过滤掉没有有效数据的元素（例如，空的或格式不正确的元素）。
bsid = bs['accession']
- 获取当前 BioSample 元素的 accession 属性值，并将其赋值给变量 bsid。这个值通常是生物样本的唯一标识符。
title = bs.Description.Title.string.strip("\"")
- 提取当前 BioSample 元素中的 Description -> Title 字段的字符串值，并移除两边的引号（如果有的话）。这通常是该生物样本的描述或标题。
tissue = '' 和 genotype = ''
- 初始化 tissue 和 genotype 为空字符串，稍后会从 Attributes 中获取具体值。
if bs.Attributes:
- 检查当前 BioSample 是否有 Attributes 元素。如果存在，则继续从中提取 tissue 和 genotype 信息。
for x in bs.Attributes.children:
- 遍历 Attributes 元素的所有子元素。每个子元素代表一个属性，例如 tissue 或 genotype。
if x.string.strip() == '': continue
- 跳过空字符串。此步骤用于确保只处理非空的属性值。
if x['attribute_name'] == 'tissue': tissue = x.string.strip()
- 如果当前属性的名称是 tissue，则将其值提取出来并赋给变量 tissue。
elif x['attribute_name'] == 'genotype': genotype = x.string.strip()
- 如果当前属性的名称是 genotype，则将其值提取出来并赋给变量 genotype。
print("\t".join([bsid, title, tissue, genotype]))
- 输出每个生物样本的信息。bsid、title、tissue 和 genotype 通过制表符（\t）连接，确保每个字段在输出时对齐，形成表格格式。