Perl提取Uniprot蛋白序列时最后一行重复输出问题排查

原代码的问题 #

1. 重复打印最后一行序列：原代码在每次循环中都执行print $seq，当读到非序列行时，$seq仍然保留上一次匹配到的序列值，因此会重复输出最后一段序列。
2. 改用$seq.=$1后重复多次输出：每次匹配到序列行就追加内容到$seq，但循环内每次都打印当前的$seq，导致第一次打印第一段，第二次打印前两段，最终输出完整序列多次叠加的结果。

修正方案 #

方案一：精准匹配序列行，统一输出 #

初始化空字符串存储总序列，仅在匹配到序列行时追加内容，循环结束后一次性打印：

#!/usr/bin/perl
open (IN, 'P30988.txt');
my $seq = '';
while (<IN>) {
    if ($_ =~ m/^\s+(\D+)/) {
        my $part = $1;
        $part =~ s/\s//g;
        $seq .= $part;
    }
}
close IN;
print $seq, "\n";

方案二：基于Uniprot格式标记收集序列（更可靠） #

Uniprot的txt文件中，序列从SQ行开始，到//行结束，利用这个标记精准收集：

#!/usr/bin/perl
open (IN, 'P30988.txt');
my $seq = '';
my $collecting = 0;
while (<IN>) {
    if (/^SQ/) {
        $collecting = 1;
        next;
    }
    last if (/^\/\//);
    if ($collecting) {
        s/\s//g;
        $seq .= $_;
    }
}
close IN;
print $seq, "\n";

内容的提问来源于stack exchange，提问作者Nickmofoe