perlを使ってファイル分割

質問

ーーーーーーーーーーーー
SRR_1 X1 Y1
SRR_1 X2 Y2
～
SRR_1 Xn Yn
SRR_2 X1 Y1
SRR_2 X2 Y2
～
SRR_3 X1 Y1
～
SRR_xxx X1 Y1
ーーーーーーーーーーー

このようなタブ区切りのファイルを、一列目のSRR以降の数字が変わるごとに以下のようにファイルを分割したいと思っています。

SRR_1.txt
ーーーーーーー
X1 Y1
X2 Y2
～
Xn Yn
ーーーーーーー

SRR_2.txt
ーーーーーーー
X1 Y1
～
Xn Yn
ーーーーーーー

perl初心者ですが、どうかよろしくお願いします。

回答No.3

namboku · ベストアンサー

基本的にはキーブレイク処理の応用で対応できます。
キーブレイクした最初のデータごとに出力ファイルをオープンしていき、
オープンした出力ファイルに出力する方法をとります。

具体的には以下のような手順になります。

１．タブ区切りファイルの最初の項目について昇順に並べ替えておきます。
　　(元々昇順に並んでいる場合は、この処理は不要です)

　　※以下、サンプルスクリプトをあげます。
　　　"input.txt"が元々の「タブ区切りファイル」
　　　"output.txt"が「タブ区切りファイル」の最初の項目である"SRR_1"や"SRR_2"などを
　　　昇順に並べ替えた結果になります。　

open(IN1,"input.txt");
open(OUT1,">output.txt");

@record　　=　();
$in1_ctr　=　0;
while　(<IN1>)　{
　　chomp($_);
　　$record[$in1_ctr]　=　$_;
　　$in1_ctr++;
}

@sort_rec　=　sort　{　
　　　　　　my @a　=　split("\t", $a);
　　　　　　my @b　=　split("\t", $b);
　　　　　　$a[0]　cmp　$b[0];
　　　}　@record;

foreach　$record　(@sort_rec)　{
　print　OUT1　"$record\n";
}

close(IN1);
close(OUT1);

２．キーブレイクした最初のデータごとに出力ファイルをオープンしていき、
　　オープンした出力ファイルに出力します。

　　※以下、サンプルスクリプトをあげます。
　　　"input.txt"が昇順に並べ替えた「タブ区切りファイル」
　　　出力結果は同じフォルダにできているはずです。
　　　出力したい項目は最初のタブ区切りファイルの2項目目と3項目目だけ、
　　また、"SRR_1"などの区分は1,000項目未満という前提で作成していますので、
　　必要に応じて変更してください。

open(IN1,"input.txt");

$in1_key　=　undef;　　#入力キー
$in1_ctr　=　undef;　　#入力キーごとの件数
@in1　　　=　undef;　　#入力データの配列
$sv_key　　=　undef;　　#保存した入力キー

while　(<IN1>)　{
　　chomp($_);
　　@in1　=　split("\t",$_,-1);
　　$in1_key　=　$in1[0];

　if　($sv_key　ne　$in1_key)　{　
　　　$w_out　=　OUT.sprintf("%03d",$in1_ctr);
　　　$w_file　=　">".$in1_key.".txt";
　　　open($w_out,"$w_file");　
　}
　$out1　=　join("\t",$in1[1],$in1[2]);
　print　$w_out　"$out1\n";
　$sv_key　=　$in1_key;
}
close(IN1);

※上記は、スクリプトを見やすくするために全角スペースを含んでいます。
　このまま、コピー・ペーストしても実行できませんので、ご注意ください。

お礼

ソースを書いていただきありがとうございます。
"SRR_"以下の数字は4桁までありましたが、一部修正することによって問題なく処理できました。
ありがとうございます。

回答No.4

sakusaker7

だいぶ手抜き。
use strict;
use warnings;
use v5.12;
use autodie;

my @input = <DATA>;
my $output = +{};

foreach (@input) {
chomp;
my @e = split "\t";
my $t = shift @e;
push @{$output->{$t}}, [@e];
}

foreach (sort keys %{$output}) {
my $filename = $_;
open my $out, '>', $filename . ".txt";
say $out join("\t", @$_) foreach @{$output->{$filename}};
close $out;
}

__END__
SRR_1 X1 Y1
SRR_1 X2 Y2
SRR_1 X3 Y3
SRR_2 X1 Y1
SRR_2 X2 Y2
SRR_3 X1 Y1
SRR_4 X2 Y2
SRR_4 X3 Y3
SRR_4 X4 Y4
SRR_4 X5 Y5
SRR_4 X6 Y6
SRR_99 X1 Y1
SRR_99 X3 Y3
SRR_99 X5 Y5
SRR_99 X7 Y7
SRR_99 X9 Y9
SRR_99 X11 Y11
SRR_99 X13 Y13

回答No.2

Tacosan

基本的には
・「SRRほげほげ」の部分が前と同じならたんに出力
・変わったら新しいファイルをオープンしてそっちに出力
というだけ. やりようはいろいろ.

回答No.1

Tacosan

その「SRR 以降の数字」がいろいろと混ざる (つまり SRR_1, SRR_2, SRR_3 となったあとでまた SRR_1 が出てくる, など) ことはあり得ますか?

補足

ソートしてあるので、同じ数字が後でもう一度出てくることはありません。