批量处理pdbqt文件：基于TORSDOF出现情况删除冗余行

我有7000个pdbqt格式文件（从sade1.pdbqt到sade7200.pdbqt），部分文件里关键词TORSDOF会出现第二次甚至多次。需要对这类文件做如下处理：

• 如果文件中存在TORSDOF的第二次出现，保留首次出现TORSDOF及之前的所有行，删除其后所有内容
• 处理后保留原文件名

示例文件 #

处理前：

$ cat FileWith2ndOccurance.txt
ashu
vishu
jyoti
TORSDOF
Jatin
Vishal
Shivani
TORSDOF
Sushil
Kiran

处理后：

after function run
$ cat FileWith2ndOccurance.txt
ashu
vishu
jyoti
TORSDOF

实际文件样本（处理前） #

REMARK  Name = 17-DMAG.cdx
REMARK  8 active torsions:
REMARK  status: ('A' for Active; 'I' for Inactive)
REMARK    1  A    between atoms: C_1  and  N_8
REMARK    2  A    between atoms: N_8  and  C_9
REMARK    3  A    between atoms: C_9  and  C_10
REMARK    4  A    between atoms: C_10  and  N_11
REMARK    5  A    between atoms: C_15  and  O_17
REMARK    6  A    between atoms: C_25  and  O_28
REMARK    7  A    between atoms: C_27  and  O_33
REMARK    8  A    between atoms: O_28  and  C_29
REMARK                            x       y       z     vdW  Elec       q    Type
REMARK                         _______ _______ _______ _____ _____    ______ ____
ROOT
ATOM      1  C   UNL     1       7.579  11.905   0.000  0.00  0.00    +0.000 C 
ATOM      2  C   UNL     1       7.579  10.500   0.000  0.00  0.00    +0.000 C 

ATOM     30  O   UNL     1       8.796   8.398   0.000  0.00  0.00    +0.000 OA
ENDROOT
BRANCH  21  31
ATOM     31  O   UNL     1      13.701   7.068   0.000  0.00  0.00    +0.000 OA
ATOM     32  C   UNL     1      12.306   6.953   0.000  0.00  0.00    +0.000 C 
ENDBRANCH  41  42
ENDBRANCH  19  41
TORSDOF 8
REMARK  Name = 17-DMAG.cdx
REMARK  8 active torsions:
REMARK  status: ('A' for Active; 'I' for Inactive)
REMARK    1  A    between atoms: C_1  and  N_8
REMARK    2  A    between atoms: N_8  and  C_9
REMARK                            x       y       z     vdW  Elec       q    Type
REMARK                         _______ _______ _______ _____ _____    ______ ____
ROOT
ATOM      1 CL   UNL     1       0.000  11.656   0.000  0.00  0.00    +0.000 Cl
ENDROOT
TORSDOF 0

以下是Python代码片段，可批量处理所有目标文件：

import os

# 定义文件路径前缀和范围
file_prefix = "sade"
start_num = 1
end_num = 7200

for num in range(start_num, end_num + 1):
    filename = f"{file_prefix}{num}.pdbqt"
    if not os.path.exists(filename):
        print(f"文件 {filename} 不存在，跳过")
        continue
    
    # 读取文件内容，记录首次TORSDOF及之前的行
    keep_lines = []
    torsdof_count = 0
    with open(filename, 'r') as f:
        for line in f:
            keep_lines.append(line)
            if line.strip().startswith("TORSDOF"):
                torsdof_count += 1
                # 当第二次出现时，停止读取并移除当前行（第二次的TORSDOF）
                if torsdof_count == 2:
                    keep_lines.pop()
                    break
    
    # 仅对存在多次TORSDOF的文件进行覆写
    if torsdof_count >= 2:
        with open(filename, 'w') as f:
            f.writelines(keep_lines)
        print(f"已处理文件: {filename}")
    else:
        print(f"文件 {filename} 无需处理")

代码说明 #

• 遍历指定范围的所有pdbqt文件，跳过不存在的文件
• 逐行读取文件内容，计数TORSDOF的出现次数
• 检测到第二次TORSDOF时，立即停止读取，保留第一次出现及之前的所有行
• 仅修改存在多次TORSDOF的文件，其他文件保持原样

注意事项 #

• 建议先备份部分文件测试代码效果，再批量处理所有文件
• 如果文件编码非默认utf-8，可在open函数中添加encoding参数（如encoding='utf-8'）

内容的提问来源于stack exchange，提问作者Jatin Kashyap