如何用R解析字符串(通过“新”标记)？

Question

我想使用R来进行字符串解析，这(我认为)就像一个简单的HTML解析。

例如，假设我们有以下两个变量：

Seq <- "GCCTCGATAGCTCAGTTGGGAGAGCGTACGACTGAAGATCGTAAGGtCACCAGTTCGATCCTGGTTCGGGGCA"
Str <- ">>>>>>>..>>>>........<<<<.>>>>>.......<<<<<.....>>>>>.......<<<<<<<<<<<<."

假设我想根据"Str“解析"Seq”，使用这里的图例

Seq: GCCTCGATAGCTCAGTTGGGAGAGCGTACGACTGAAGATCGTAAGGtCACCAGTTCGATCCTGGTTCGGGGCA
Str: >>>>>>>..>>>>........<<<<.>>>>>.......<<<<<.....>>>>>.......<<<<<<<<<<<<.
     |     |  |              | |               |     |               ||     |
     +-----+  +--------------+ +---------------+     +---------------++-----+
        |        Stem 1            Stem 2                 Stem 3         |
        |                                                                |
        +----------------------------------------------------------------+
                                Stem 0

假设我们总是有4个词干(0到3)，但每个词干前后的字母长度可以很大。

输出应该类似于以下列表结构：

list(
    "Stem 0 opening" = "GCCTCGA",
    "before Stem 1" = "TA",
    "Stem 1" = list(opening = "GCTC",
                inside = "AGTTGGGA",
                closing = "GAGC"
            ),
    "between Stem 1 and 2" = "G",
    "Stem 2" = list(opening = "TACGA",
                inside = "CTGAAGA",
                closing = "TCGTA"
            ),
    "between Stem 2 and 3" = "AGGtC",
    "Stem 3" = list(opening = "ACCAG",
                inside = "TTCGATC",
                closing = "CTGGT"
            ),
    "After Stem 3" = "",
    "Stem 0 closing" = "TCGGGGC"
)

我没有编写解析器的经验，我想知道在编写这样的程序时应该使用什么策略(以及建议使用的任何R命令)。

我想的是先去掉“茎0"，然后用递归函数(让我们称之为"seperate.stem")遍历内部字符串，每次将字符串拆分为: 1.在茎之前2.打开茎3.内部茎4.关闭茎5.茎后

然后，“后继”将递归地输入到相同的函数("seperate.stem")中。

问题是，我不知道如何在不使用循环的情况下进行这种编码。

任何建议都将受到最欢迎。

更新：有人给我发了一大堆问题，他们来了。

Q:每个序列对开头序列的">>>>“数与结尾序列上的"<<<<”相同吗？

A:是的

Q:解析总是以部分词干0开头吗？ A:不是。有时它会从几个开始“。

问:有什么方法可以确保你在开始的时候有正确的序列吗？ A:我不确定我是否理解你的意思。

问:字符串中间有可能出现错误，需要重新启动吗？ A:很遗憾，是的。在这种情况下，我需要忽略一个内在的茎.

问:这些字符串要解析多长时间？ A:每个字符串有60到150个字符(我有成千上万的字符串.)

问:每个序列都是一个自包含的序列吗，就像您在示例中显示的那样，还是每个序列都包含了数千个字符？ A:每个序列都是自包含的。

问:是否总是至少有一个‘’。茎间？

答:没有。

Q:关于应该如何进行解析的一整套规则将是有用的。 A:我同意。但是，由于我对如何开始编写这些代码甚至没有基本的想法，所以我首先想在开始时得到一些帮助，然后尝试在返回求助之前对其他情况进行调整。

问:您有解析的BNF语法吗？ A:没有。你的电子邮件是我第一次看到它(http://en.wikipedia.org/wiki/Backus-Naur_Form)。

Answer 1

您可以通过使用运行长度编码来简化任务。

首先，将Str转换为单个字符的向量，然后调用rle。

split_Str <- strsplit(Str, "")[[1]]
rle_Str <- rle(split_Str)

Run Length Encoding
  lengths: int [1:14] 7 2 4 8 4 1 5 7 5 5 ...
  values : chr [1:14] ">" "." ">" "." "<" "." ">" "." "<" "." ">" "." "<" "."

现在只需要解析rle_Str$values，这可能更简单。例如，一个内部的茎看起来总是像">" "." "<"。

我认为您需要考虑的主要问题是数据的结构。"."总是必须介于">"和"<"之间，还是它是可选的？一开始你能要一个"."吗？你是否需要能够概括到茎内部的茎，或者更复杂的结构？

一旦解决了这个问题，构建列表输出应该是非常简单的。

另外，不要担心使用循环，它们在语言中是因为它们是有用的。先让它起作用，然后再担心速度优化(如果你真的需要的话)。