使用Python文件读写,自定义分隔符(custom delimiter)

众所周知，python文件读取文件的时候所支持的newlines（即换行符），是指定的。这一点不管是从python的doucuments上还是在python的源码中（作者是参考了python的io版本，并没有阅读C版本），都可以看出来：

if newline is not None and not isinstance(newline, str):
raise TypeError("illegal newline type: ％r" ％ (type(newline),))
if newline not in (None, "", "\n", "\r", "\r\n"):
raise ValueError("illegal newline value: ％r" ％ (newline,))

好吧，问题来了，如果你恰好是个苦逼的生物狗，正在用python处理所谓的fastq格式的测序结果文件，每次只读一行往往不是你想要的。Ok, 我们也都知道其实这个问题在Perl里面十分好解决，无非就是重新定义下文件的分割符（$/,The input record separator, newline by default. Set undef to read through the end of file.）

local $/;   # enable "slurp" mode
local $_ = <FH>; # whole file now here
s/\n[ \t]+/ /g;

简单粗暴有效！《Programming Perl》开头的那些关于什么是happiness定义看来所言非虚，所以你只要需要将$/定义为fastq格式的分隔符就ok了。

但是，如果是Python呢？（容易钻牛角尖的孩纸，又或者是不喜欢花括号的孩子…..反正就是强行高端了）。终于要进入正题了，OK，在python中又有两种方式解决这个问题，看你个人喜好选择了（当然要是有大神知道四种、五种方法，也不妨指导一下我这个小菜鸟）。

方案一的代码：

import _pyio
import io
import functools
class MyTextWrapper(_pyio.TextIOWrapper):
def readrecod(self, sep):
  readnl, self._readnl = self._readnl, sep
  self._readtranslate = False
  self._readuniversal = False
  try:
    return self.readline()
  finally:
    self._readnl = readnl
#class MyTextWrapper(_pyio.TextIOWrapper):
# def __init__(self, *args, separator, **kwargs):
#  super().__init__(*args,**kwargs)
#  self._readnl = separator
#  self._readtranslate = False
#  self._readuniversal = False
#  print("{}:\t{}".format(self,self._readnl))

f = io.open('data',mode='rt')
#f = MyTextWrapper(f.detach(),separator = '>')
#print(f._readnl)
f = MyTextWrapper(f.detach())
records=iter(functools.partial(f.readrecod, '>'), '')
for r in records:
print(r.strip('>'))
print("###")

Ok，这是Python3.x中的方法（亲测），那么在Python2.x中需要改动的地方，目测好像是（没有亲测）

super(MyTextWrapper,self).__init__(*args,**kwargs)

这个方法看上去还是比较elegant，但是efficient 吗？答案恐怕并不，毕竟放弃了C模块的速度优势，但是OOP写起来还是比较舒服的。对了值得指出的Python的I/O是一个layer一个layer的累加起来的。从这里我们就能看出来。当然里面的继承关系还是值得研究一下的，从最开始的IOBase一直到最后的TextIOWrapper,这里面的故事，还是要看一看的。

方案二的代码：

#!/usr/bin/env python

def delimited(file, delimiter = '\n', bufsize = 4096):
buf = ''
while True:
 newbuf = file.read(bufsize)
 if not newbuf:
  yield buf
  return
 buf += newbuf
 lines = buf.split(delimiter)
 for line in lines[:-1]:
  yield line
 buf = lines[-1]

with open('data', 'rt') as f:
lines = delimited(f, '>', bufsize = 1)
for line in lines:
 print line,
 print '######'

Ok,这里用到了所谓的generator函数，优雅程度也还行，至于效率么，请自行比较和测试吧（毕竟好多生物程序猿是不关心效率的…..)。如此一来，比Perl多敲了好多代码，唉，怀念Perl的时代啊，简单粗暴有效，就是幸福的哲学么。

当然还有童鞋要问，那么能不能又elegant还efficient（我可是一个高端的生物程序猿，我要强行高端！）答案是有的，请用Cython! 问题又来了，都Cython了，为什么不直接用C呢？确实，C语言优美又混乱。

补充知识：Python.json.常见两个错误处理(Expecting , delimiter)(Invalid control character at)

ValueError: Invalid control character at: line 1 column 122(char 123)

出现错误的原因是字符串中包含了回车符（\r）或者换行符（\n）

解决方案：

转义

json_data = json_data.replace('\r', '\\r').replace('\n', '\\n')

使用关键字strict

json.loads(json_data, strict=False)

ValueError: Expecting , delimiter: line 13 column 650 (char 4186)

原因：json数据不合法，类似“group_buy_create_description_text”: “1. Select the blue “Buy” button to let other shoppers buy with you.这样的内容出现在json数据中。

解决方案：

将类似的情形通过正则筛选出来通过下面的方式处理。

正则表达式如下：

json_data = json_data.replace('""', '"########"')

js_str = '"[\s\S]+?":\s?"([\s\S]+?)"\}?\}?\]?,'

后续使用中发现无法匹配value为空的情况，故先做一下预处理

这个正则可以匹配到大部分的key，value中的value值，但是也有例外，暂时的处理方法是如果匹配结果中包含”{“, “}”, “[“, “]”这样的字符，说明是匹配失败结果，跳过处理。其他的使用下边的方法替换掉可能出问题的字符。

如果大家有更好的正则匹配方式，欢迎随时批评指正。

def htmlEscape(input) {
   if not input
     return input;
   input = input.replace("&", "&amp;");
   input = input.replace("<", "&lt;");
   input = input.replace(">", "&gt;");
   input = input.replace(" ", "&nbsp;");
   input = input.replace("'", "&#39;");  //IE暂不支持单引号的实体名称,而支持单引号的实体编号,故单引号转义成实体编号,其它字符转义成实体名称
   input = input.replace("\"", "&quot;"); //双引号也需要转义，所以加一个斜线对其进行转义
   input = input.replace("\n", "<br/>"); //不能把\n的过滤放在前面，因为还要对<和>过滤，这样就会导致<br/>失效了
   return input;
 }

来源：https://blog.csdn.net/dugujian123/article/details/52547183