Question

我的输入文件是包含基因组信息的gzip压缩文件。我试图逐行解析内容并遇到一个奇怪的问题。

任何给定的行看起来像这样：

AC = 26; AF = 0.00519169; AN = 5008; NS = 2504; DP = 17308; EAS_AF = 0; AMR_AF = 0.0072; AFR_AF = 0.0015; EUR_AF = 0.0109; SAS_AF = 0.0082; AA = A |||; VT = SNP

然而，当我打印出正在阅读的内容时......

import gzip
with gzip.open(myfile.gz, 'rt') as f:
for line in f:
    print(line)

这条线看起来像这样：

AC = 26; AF = 0.00519169; AN = 5008; NS = 2504; DP = 17308; EAS_AF = 0; AMR_AF = 0.0072; AFR_AF = 0.0015; EUR_AF = 0.0109; SAS_AF = 0.0082; AA = A ||| < / p>

＆＃34; |||＆＃34;之后的信息是什么？被截断了。

此外，我甚至无法搜索＆＃34; |||＆＃34;之后的字符串。（例如"VT=SNP" in line总是返回False）我也可以line.strip("|||")

有关导致此问题或需要查看的内容的任何建议？

感谢您的帮助

编辑：好的，看起来gzip文件有问题。我解压缩它，脚本运行正常。然后我重新压缩它，脚本再次运行正常（使用gzip.open）。是否有任何简单的方法来比较两个压缩文件（即，没有正确读取的文件与有效文件相比），以便我可以得到根本原因的提示？

打开一个gzipped fil，三个管道后面的字符（＆＃34; |||＆＃34;）不可见

0 个答案: