SDF文件化合物命名批量添加计数后缀异常排查求助

原始SDF文件格式 #

$$$$
compound1
#lots of text


$$$$
compound1
#lots of text

$$$$
compound2
#lots of text

$$$$
compound2
#lots of text

预期处理结果 #

$$$$
compound1_1
#lots of text


$$$$
compound1_2
#lots of text

$$$$
compound2_1
#lots of text

$$$$
compound2_2
#lots of text

当前使用的Python代码 #

import sys
import re
import os
file = sys.argv[1]
file2 = file + '_fixed'
name2 = 'compound'
with open(file2,'w') as new_file:
    with open(file) as fp:
        # read all lines in a list
        for line in fp:
        # check if string present on a current line
            if "$$$$" in line:
                new_file.write(line)
                name = next(fp)
                if name2 != name:
                    name2 = name
                    j = 0
                    new_name = name + '_' + str(j)
                    new_file.write(new_name)
                else:
                    j = j + 1
                    new_name = name + '_' + str(j)
                    new_file.write(new_name)
            else:
                new_file.write(line)

实际错误输出 #

$$$$
compound1
_1 #lots of text


$$$$
compound1
_2 #lots of text

$$$$
compound2
_1 #lots of text

$$$$
compound2
_2 #lots of text

问题分析与解决思路 #

核心问题 #

1. 换行符未处理：读取的化合物名称name包含行尾的\n，直接拼接编号会导致_数字被写到新一行，这是格式错乱的主要原因。
2. 计数逻辑错误：首次遇到新化合物时初始化j=0，直接写入_0不符合预期的从1开始计数；同时用单变量j记录计数，切换化合物时容易出现逻辑混乱。
3. 迭代器使用风险：next(fp)在循环中可能会跳过部分行，导致内容丢失或处理异常。

修正方案 #

用字典单独记录每个化合物的计数，同时处理换行符，改用更稳妥的逐行读取方式：

import sys

file = sys.argv[1]
file2 = file + '_fixed'
# 字典存储每个化合物的当前计数，初始为0
compound_counts = {}

with open(file2, 'w') as new_file:
    with open(file, 'r') as fp:
        current_line = fp.readline()
        while current_line:
            if "$$$$" in current_line:
                new_file.write(current_line)
                # 读取化合物名称，去除行尾换行符
                compound_name = fp.readline().rstrip('\n')
                # 更新该化合物的计数：如果不存在则从1开始，否则+1
                compound_counts[compound_name] = compound_counts.get(compound_name, 0) + 1
                # 拼接新名称并添加换行符，写入文件
                new_name = f"{compound_name}_{compound_counts[compound_name]}\n"
                new_file.write(new_name)
                # 读取下一行，继续循环
                current_line = fp.readline()
            else:
                new_file.write(current_line)
                current_line = fp.readline()

修正说明 #

• 用rstrip('\n')移除化合物名称的换行符，确保编号和名称在同一行。
• 字典compound_counts独立跟踪每个化合物的计数，逻辑清晰，不会因化合物切换出错。
• 计数从1开始，完全匹配预期结果。
• 改用while循环配合readline()，避免next(fp)带来的迭代器异常，保证每一行都被正确处理。

内容的提问来源于stack exchange，提问作者Phung Hien Le