字符串匹配------回顾大一时的一份代码

说明

这是大一下的一份代码，当时不会用github，所以一直没妥善保存，直到最近清理360云盘时才重见天日，现在看来，这份代码水平很低，毕竟的当时也是刚刚接触C语言，当时作为一个非CS专业，指针甚至都不讲，基本都是自学。但记忆中，正是这份代码，让我体会到编程的快乐，开始了今后的编程之路。故此整理，以作纪念。

问题

这是当时的一个数模比赛题目，以下是原题：

1.1 背景资料与条件

给定一个DNA序列,这个序列只含有4个字母A、T、C、G,如S=”CTGTACTGTAT”.给定一个数值k,从S的第一个位置开始,取一连续k个字母的短串,称之为k-mer(如k=5,则此短串为CTGTA),然后从S的第二个位置,取另一k-mer(如k=5,则此短串为TGTAC),这样直至S的末端,就得到一个集合,包含全部k-mer.如对序列S来说,所有5-mer为{CTGTA,TGTAC,GTACT,TACTG,ACTGT,TGTAT}.这就是所谓的DNA序列的k-mer index问题.

通常这些k-mer需一种数据索引方法,可被后面的操作快速访问.例如,对5-mer来说,当查询CTGTA，通过这种数据索引方法,可返回其在DNA序列S中的位置为{1,6}.

1.2 需要解决的问题

现在以文件形式给定100万个DNA序列,序列编号为1-1000000,每个基因序列长度为100.

(1)要求对给定k,给出并实现一种数据索引方法,可返回任意一个k-mer所在的DNA序列编号和相应序列中出现的位置.每次建立索引,只需支持一个k值即可,不需要支持全部k值.

(2)要求索引一旦建立,查询速度尽量快,所用内存尽量小.

(3)给出建立索引所用的计算复杂度,和空间复杂度分析.

(4)给出使用索引查询的计算复杂度,和空间复杂度分析.

(5)假设内存限制为8GB,分析所设计索引方法所能支持的最大k值和相应数据查询效率.

(6)按重要性由高到低排列,将依据以下几点,来评价索引方法性能

a.索引查询速度

b.索引内存使用

c.8G内存下,所能支持的k值范围

d.建立索引时间

记得当时说要用哈希表，但当时什么都不懂，直接暴搜了。

大意就是从下面的100万个数据中找出指定的基因串

　　当时的思路就是找到数据特征（这是当时的难点）然后分离，然后搜索就简单了

代码

# include "stdio.h"
# include "stdlib.h"//stdlib 头文件即standard library标准库头文件。stdlib.h里面定义了五种类型、一些宏和通用工具函数。
# include "time.h"

# define N 60        

void PreIndex();//建立索引文本,目录文本
void DeepInfo1();//关键信息提取
void Search();//进行查找
long DeepInfo2();
int main()
{

    //PreIndex();
    //DeepInfo();
    Search();
    
    printf("结束");
    return 0;
}


void PreIndex()
{
    FILE * fpIndex, * fpCatalog, * fpsource1, * fpsource2;//定义四个指针，分别指向目标文件和两个附件个指针，分别指向目标文件和两个附件
    fpCatalog = fopen("Catalog.txt","w");
    fpIndex = fopen("Index.txt","w");//目标文件指针指向目标文件
    if ((fpsource1=fopen("solexa_100_170_1.fa","r")) == NULL)
    {
        printf("Can't open the solexa_100_170_1.fa!
");
        getchar();
        exit(-1);
    }
    //if做出判断的同时也指明了指针的指向
    if ((fpsource2=fopen("solexa_100_170_2.fa","r")) == NULL)
    {
        printf("Can't open the solexa_100_170_2.fa!
");
        getchar();
        exit(-1);
    }
    int i;
    char ch;
    char str[101];//VC中是不能在中间定义变量的，所以这个代码必须在c99标准下编译
    
    for (i=0; i<500000; i++)//通过循环从第一个附件中读取50万个数据
    {
        while ((ch=fgetc(fpsource1)) && (ch<'A' || ch>'T'))
            putc(ch,fpCatalog);
        
        fputc(ch,fpIndex);
        fgets(str,101,fpsource1);
        fputs(str,fpIndex);
    }        
        //while (ch=fgetc(fpsource1) && (ch<'A' || ch>'T'));这样是不对的，为什么说不清
        //这一句好好理解，即读取的字符ASCII码不是ATCG时就不执行操作（注意while后面直接加分号表示不执行操作）
        //执行while时包含了一个先对ch赋值的操作，每执行while文件位置指针都会后移一个，注意理解
        
    for (i=0; i<500000; i++)//通过循环从第一个附件中读取50万个数据
    {
        while ((ch=fgetc(fpsource2)) && (ch<'A' || ch>'T'))
            putc(ch,fpCatalog);
        
        fputc(ch,fpIndex);
        fgets(str,101,fpsource2);
        fputs(str,fpIndex);
    }
    fclose(fpCatalog);
    fclose(fpIndex);
    fclose(fpsource1);
    fclose(fpsource2);

}

void DeepInfo1()
{
    FILE * fp,* fp0;
    char ch;
    int i = 0,j = 0;
    fp = fopen("Catalog.txt", "r");
    fp0 = fopen("DeepCatalog.txt", "w");
    while ((ch = fgetc(fp)) && ch != EOF)
    {
        if (ch == '0')//1
        {
            ch = fgetc(fp);
            if (ch == '0')//2
            {
                ch = fgetc(fp);
                if(ch == '0')//3
                {
                    ch = fgetc(fp);
                    if (ch == '0')//4
                    {
                        ch = fgetc(fp);
                        if(ch == '0')//5
                            ch = fgetc(fp);
                            if(ch == '0')//6
                                ch = fgetc(fp);
                                if(ch == '0')//7
                                {
                                    ch = fgetc(fp);
                                    ch = fgetc(fp);
                                    do{
                                        fputc(ch,fp0);
                                        ch = fgetc(fp);
                                    }while(ch != ' ');
                                    fputc('
',fp0);
                                }
                        
                    }
                }
            }
        }
            
    }
    fclose(fp);
    
}
void Search()
{
    FILE * fpIndex = fopen("Index.txt","r");
    FILE * fpDeepInfo = fopen("DeepInfo.txt","r");
    int i = 0,j = -1,n = 0,m = 0, y = -1,v = 0,x = 0,key = 0,q = 0,w = 1;
    char s[105],p[N];
    int loc[100];//loc位location位置数组

    printf("请输入长度为%d的模式串
", N);
    scanf("%s", p);
    for(i=0; i<1000000; i++)
    {
        fgets(s,105    ,fpIndex);
        while(q<(100-N+1))
        {
            if(s[n] == p[m])
            {
                n++;
                m++;
                if (m == N)
                {
                    
                    n = n - N + 1;
                    m = 0;
                    q = n;
                    j = n;
                    y++;
                    
                    loc[y] = n;
                }
            }
            else
            {
                n = n - m +1;
                q = n;
                m = 0;
            }
        }
        n = 0;
        q = 0;
        m = 0;
        
        if(j != -1)
        {
            if(i>=500000)
                w = 2;
            
            key = DeepInfo2(i);
            printf(">read_170_%d_%d random_genome_10000000 %d 100
", i+1, w, key);//1还是2，加判断
            printf("{");
            for(v=0;v<(y+1);v++)
                printf("%d, ", loc[v]);
            printf("}
");
            y = -1;
        }
        j = -1;    
    }
    
    
    fclose(fpIndex);
    fclose(fpDeepInfo);
}

long DeepInfo2(int i)
{
    long key,j,a;
    FILE * fp;
    fp = fopen("DeepCatalog.txt","r");
    a = i;
    for (j=0;j<a;j++)
        fscanf(fp,"%*ld",&key);
    
    fscanf(fp,"%ld",&key);
    fclose(fp);
    return key;
}

//void IndexArray()
//{}
//void Search()
//{}

效果

可惜当时没有截图，只是复制了命令行内容：

CGAGCCTCCCAAAGGGTTATGTTCCTGAGATGGAAAAACCTACTCGTAACAAACCA<回车>

>read_170_127073_1 random_genome_10000000 3750232 100

{40}

>read_170_405491_1 random_genome_10000000 3750200 100

{8}

>read_170_686709_2 random_genome_10000000 3750228 100

{36}

>read_170_694436_2 random_genome_10000000 3750202 100

{10}

>read_170_740517_2 random_genome_10000000 3750218 100

{26}

>read_170_842871_2 random_genome_10000000 3750211 100

{19}

>read_170_882664_2 random_genome_10000000 3750224 100

{32}

 可以看一下

果然，当初半个月，现在sublime下一个Ctrl+F就出来了。。。

后记

看着当初这份幼稚的代码，或许自己现在的水平已经不可同日而语了，但是，希望自己能保持当初的那份热爱和好奇心吧！