如何用R解析rpsbproc输出文本，生成QUERY与DOMAINS数据框？

1. 提取QUERY行数据框 #

先读取文件所有行，筛选出以QUERY开头的行，再转换为结构化数据框：

# 读取输出文件（替换为你的文件路径）
all_lines <- readLines("rpsbproc_output.txt")

# 筛选所有QUERY起始行并转为数据框
query_rows <- all_lines[grepl("^QUERY", all_lines)]
df_query <- read.table(text = query_rows, sep = "\t", header = FALSE, stringsAsFactors = FALSE)

# 可选：为数据框添加列名，匹配rpsbproc输出格式
colnames(df_query) <- c("标记", "Query_ID", "序列类型", "长度", "基因ID")

2. 提取DOMAINS块数据框 #

通过定位DOMAINS和ENDDOMAINS标记的位置，提取两者之间的有效结构域信息行：

# 找到所有DOMAINS和ENDDOMAINS的行索引
domain_starts <- grep("^DOMAINS", all_lines)
domain_ends <- grep("^ENDDOMAINS", all_lines)

# 循环提取每个DOMAINS块内的内容
domain_rows <- c()
for (i in seq_along(domain_starts)) {
  # 提取当前DOMAINS和ENDDOMAINS之间的行
  block <- all_lines[(domain_starts[i] + 1):(domain_ends[i] - 1)]
  # 过滤可能存在的空行（可选）
  block <- block[block != ""]
  domain_rows <- c(domain_rows, block)
}

# 转换为数据框
df_domains <- read.table(text = domain_rows, sep = "\t", header = FALSE, stringsAsFactors = FALSE)

# 可选：添加列名，对应rpsbproc结构域输出的字段
colnames(df_domains) <- c("序号", "Query_ID", "结构域类型", "数据库编号", "起始位置", "结束位置", "E值", "得分", "Pfam编号", "结构域名称", "C/N端", "附加信息")

说明 #

• 上述代码假设你的rpsbproc输出文件是制表符分隔的，若实际是空格分隔，可将sep = "\t"改为sep = ""（read.table会自动识别连续空格）。
• 如果文件路径有特殊字符，建议使用完整绝对路径。

内容的提问来源于stack exchange，提问作者l0110