GTF文件行处理需求：按 拆分后仅拆分最后元素为;分隔项

首先，先把你提供的GTF文件摘录放出来，方便对照：

X Ensembl Repeat 2419108 2419128 42 . . hid=trf; hstart=1; hend=21
X Ensembl Repeat 2419108 2419410 2502 - . hid=AluSx; hstart=1; hend=303
X Ensembl Repeat 2419108 2419128 0 . . hid=dust; hstart=2419108; hend=2419128
X Ensembl Pred.trans. 2416676 2418760 450.19 - 2 genscan=GENSCAN00000019335
X Ensembl Variation 2413425 2413425 . + .

按照你的要求，我们需要先按制表符拆分每一行，然后只对拆分后的最后一个元素按分号拆分。下面用Python来实现这个逻辑，代码简单易懂，适合生物信息学日常处理：

# 示例GTF行列表
gtf_lines = [
    "X Ensembl Repeat 2419108 2419128 42 . . hid=trf; hstart=1; hend=21",
    "X Ensembl Repeat 2419108 2419410 2502 - . hid=AluSx; hstart=1; hend=303",
    "X Ensembl Repeat 2419108 2419128 0 . . hid=dust; hstart=2419108; hend=2419128",
    "X Ensembl Pred.trans. 2416676 2418760 450.19 - 2 genscan=GENSCAN00000019335",
    "X Ensembl Variation 2413425 2413425 . + ."
]

for line in gtf_lines:
    # 第一步：按制表符拆分整行
    split_parts = line.split('\t')
    # 第二步：只处理最后一个元素，按分号拆分
    if split_parts[-1].strip():  # 检查最后一个字段是否非空
        last_part_split = split_parts[-1].split(';')
        # 把拆分后的最后字段替换回去
        split_parts[-1] = last_part_split
    # 打印处理后的结果
    print(f"处理后的行：{split_parts}")

运行这段代码后，你会得到这样的输出（以第一行为例）：

处理后的行：['X', 'Ensembl', 'Repeat', '2419108', '2419128', '42', '.', '.', ['hid=trf', ' hstart=1', ' hend=21']]

如果需要更易读的结构化输出，还可以把拆分后的键值对转换成字典：

for line in gtf_lines:
    split_parts = line.split('\t')
    last_part = split_parts[-1].strip()
    attr_dict = {}
    if last_part:
        for attr in last_part.split(';'):
            attr = attr.strip()
            if attr:
                key, value = attr.split('=', 1)
                attr_dict[key] = value
        split_parts[-1] = attr_dict
    print(f"结构化后的行：{split_parts}")

对应的输出会变成：

结构化后的行：['X', 'Ensembl', 'Repeat', '2419108', '2419128', '42', '.', '.', {'hid': 'trf', 'hstart': '1', 'hend': '21'}]

这个逻辑完全符合你的需求：先拆分整行，仅处理最后一个字段的分号拆分，同时兼容最后一个字段为空的情况（比如第五行）。

内容的提问来源于stack exchange，提问作者Nisba