R：根据特定模式从文本文件（例如sdf）中提取部分内容？

Question

[A]
66 67  1  0  0  0  0
67 69  2  0  0  0  0
67 71  1  0  0  0  0
68 69  1  0  0  0  0
72 73  2  3  0  0  0
72 74  1  0  0  0  0
M  END
> <DRUGBANK_ID>
DB00035
> <ALOGPS_SOLUBILITY>
1.10e-01 g/l
$$$$

[B]
66 67  1  0  0  0  0
67 69  2  0  0  0  0
67 71  1  0  0  0  0
68 69  1  0  0  0  0
72 73  2  3  0  0  0
72 74  1  0  0  0  0
M  END
> <DRUGBANK_ID>
DB00036
> <ALOGPS_SOLUBILITY>
1.10e-01 g/l
$$$$

[C]
66 67  1  0  0  0  0
67 69  2  0  0  0  0
67 71  1  0  0  0  0
68 69  1  0  0  0  0
72 73  2  3  0  0  0
72 74  1  0  0  0  0
M  END
> <DRUGBANK_ID>
DB00039
> <ALOGPS_SOLUBILITY>
1.10e-02333
$$$$

我有上面的sdf文件，我想提取那些包含DRUGBANK_ID = DB00035和DB00039的行，这意味着我要提取[A]和[C]内容。每个文件以$$$$结尾。在我的sdf文件中包含7000多种这样的格式，提取我想要的模式的有效方法是什么？谢谢。

[A]
66 67  1  0  0  0  0
67 69  2  0  0  0  0
67 71  1  0  0  0  0
68 69  1  0  0  0  0
72 73  2  3  0  0  0
72 74  1  0  0  0  0
M  END
> <DRUGBANK_ID>
DB00035
> <ALOGPS_SOLUBILITY>
1.10e-01 g/l
$$$$

[C]
66 67  1  0  0  0  0
67 69  2  0  0  0  0
67 71  1  0  0  0  0
68 69  1  0  0  0  0
72 73  2  3  0  0  0
72 74  1  0  0  0  0
M  END
> <DRUGBANK_ID>
DB00039
> <ALOGPS_SOLUBILITY>
1.10e-02333
$$$$

Answer 1

读入行并创建一个分组变量g.all，其中包含文件每行的组件。也就是说，对于第一组的每一行，它是1，对于第二组的每一行，它是2，依此类推。确定每个所需字符串所在的组g.ok，然后从这些组中提取所有行：

L <- readLines("myfile")
g.all <- cumsum(grepl("^\\[", L))
g.ok <- g.all[grep("DB00035|DB00039", L)]
L[g.all %in% g.ok]

已添加要使用$$$$作为标记，请将第二行替换为：

g.all <- rev(cumsum(grepl("$$$$", rev(L), fixed = TRUE)))