【shell笔记>生信|专项】生信数据处理技能手札(3):获取、检查、压缩生信数据

本文翻译整理自《Bioinformatics Data Skills》第六章“Bioinformatics Data”。

内容

Retrieving data

  • 是否需要下载大的测序数据集还是频繁通过web应用下载特定文件,这都需要特殊的工具和技能。

Ensuring data integrity

  • 数据太大,很可能网络传输时丢包,我们该怎样确保下载下来的数据是完整可用的,在分析之前我们也应该检查数据。

Compression

  • 数据太大需要压缩,不然各种操作(存储、传输、拷贝等)都不方便,浪费资源。

用 wget与curl下载数据

wget

我们可在终端命令行上用wget从网上快速下载一个文件,比如下载hg19(GRCh37)的22号染色体序列:

shawn@ubuntu-wsx:/mnt/d$ sudo wget http://hgdownload.soe.ucsc.edu/goldenPath/hg19/chromosomes/chr22.fa.gz
--2017-07-19 22:09:09--  http://hgdownload.soe.ucsc.edu/goldenPath/hg19/chromosomes/chr22.fa.gz
正在解析主机 hgdownload.soe.ucsc.edu (hgdownload.soe.ucsc.edu)... 128.114.119.163
正在连接 hgdownload.soe.ucsc.edu (hgdownload.soe.ucsc.edu)|128.114.119.163|:80... 已连接。
已发出 HTTP 请求,正在等待回应... 200 OK
长度: 11327826 (11M) [application/x-gzip]
正在保存至: “chr22.fa.gz”

chr22.fa.gz         100%[===================>]  10.80M  2.19MB/s    in 9.6s    

2017-07-19 22:09:19 (1.13 MB/s) - 已保存 “chr22.fa.gz” [11327826/11327826])

可以看到非常快,而且简单。如果不指定路径,它直接下载到当前目录。

wget可以处理FTPHTTP协议,基本我们接触的传输协议就是它们了(邮箱好像不一样)。有些文件下载需要认证,这可以通过--user=--ask-password两个选项登入。wget它的一个优点是可以递归下载,通过-r选项指定,它会下载当前目录的文件以及当前目录链接的文件、目录。默认下载的深度是5(当前目录的5层子文件),我们可以用--level或者-l指定。

一个从某大学网站下载gtf文件的例子:

root@ubuntu-wsx:/mnt/d/example-data# wget --accept "*.gtf" --no-directories --recursive --no-parent http://genomics.someuniversity.edu/labsite/annotation.html

需要注意的是,wget命令会把它能下载的全下载下来(疯狗啊~)。我们可以通过--no-parent选项阻止它下载上层文件,用--accept "*.gtf"只下载匹配指定模式的文件。--limit-rate可以限制下载速度。

man wget可以获取更多信息,http://man.linuxde.net/wget 是非常不错的参考。

Curl

curlwget略有不同。wget适用于递归下载文件,curl是抓取文件到标准输出(当然可以抓网络上的啦)。同样的,如果我们下载hg19上22号染色体数据:

root@ubuntu-wsx:/mnt/d/example-data# curl http://hgdownload.soe.ucsc.edu/goldenPath/hg19/chromosomes/chr22.fa.gz > chr22_1.fa.gz
  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100 10.8M  100 10.8M    0     0   509k      0  0:00:21  0:00:21 --:--:-- 1465k

显示的界面也不同呢。

如果你不想用重导向<,可以添加-o <filename>指定输出文件。curl支持比wget更多的协议,像SFTP(secure FTP)SCP(secure copy);它的另一个特点是curl会下载链接重导向的最终页面,而不是链接导向的页面本身。当然它还有一些其他的特点。Linux的每一个命令工具都有其系统性和优势,熟练掌握它们会为工作减少很多力气和时间。

命令详情:http://man.linuxde.net/curl

Rsync and Secure Copy (scp)

rsync命令是一个远程数据同步工具,可通过LAN/WAN快速同步多台主机间的文件。rsync使用所谓的“rsync算法”来使本地和远程两个主机之间的文件达到同步,这个算法只传送两个文件的不同部分,而不是每次都整份传送,因此速度相当快。rsync是一个功能非常强大的工具,其命令也有很多功能特色选项。

基本语法:rsync source destination

下面是一个例子,你想要把你data/目录下的数据传输到同事的数据目录下:

$ rsync -avz -e ssh zea_mays/data/ vinceb@[ip地址]:/home/deborah/zea_mays/data

-a表示启动归档模式,表示以递归方式传输文件,并保持所有文件属性;-v可视地显示传输过程;-z以压缩的方式传输。-e后接ssh表示指定以ssh的方式进行同步数据。

详情:http://man.linuxde.net/Rsync

因为这个命令用于数据同步,你可以多次使用以确保数据传输完成。

scp命令支持将本地数据拷贝到远程,或者将远程数据拷贝到本地。传输通过ssh协议完成。

详情:http://man.linuxde.net/scp

数据完整性

SHA and MD5 检验和

两个最重要的检验和算法是MD5SHA-1。介绍可以问度娘,我们知道和会用就行。

我们可以通过shasum命令创建和检查(SHA-1)检验和。

相似的命令有md5sumsum,chsum等等。

一些参考详情:

https://linux.die.net/man/1/shasum

http://man.linuxde.net/sum

http://man.linuxde.net/md5sum

查看数据不同

当你发现数据的检验和不同时,你可能会想文件之间有多大的差别。这时候可以使用diff命令。

比如比较两个bed文件:

diff -u gene-1.bed gene-2.bed

-u选项指定输出为unified diff format。类似于git diff

详情:http://man.linuxde.net/diff

压缩数据和处理压缩数据

两大最常用的压缩系统是gzip和bzip2。两者都有各自的优势:gzip压缩和解压缩速度比后者快;bzip2比前者拥有更高的压缩比例。通常生信数据用gzip存储和处理,bzip2适用于长期存储的数据。这里主要介绍gzipbzip2操作类似。

gzip体系中,用gzip命令压缩,用gunzip命令解压。gzip不仅可以用来压缩大的、较少使用的文件以节省磁盘空间,还可以和tar命令一起构成Linux操作系统中比较流行的压缩文件格式。

下面是简单使用例子,我们压缩和解压缩fastq文件:

$ gzip -c in.fastq > in.fastq.gz
$ gunzip -c in.fastq.gz > duplicate_in.fastq

-c选项可以将结果导出到标准输出,这样我们可以调用管道命令。

gzip另一方面之处是我们可以对压缩文件追加压缩:

$ ls
in.fastq.gz in2.fastq
$ gzip -c in2.fastq >> in.fastq.gz

这样,我们通过>>in2.fastq追加压缩到in.fastq.gz中了。

详情:http://man.linuxde.net/gzip http://man.linuxde.net/gunzip

需要注意的是,这种压缩的文件是单个的,也就是两个文件的内容是连在一起的。如果要压缩多个文件,需要和tar命令(http://man.linuxde.net/tar )连用。

与常用的文件处理命令(cat, grep, less, diff)相对应,处理压缩文件有类似的命令——zcat,zgrep,zless,zdiff

我就不一一的放详情地址了,常用的linux命令都可以在http://man.linuxde.net/ 查询。这是中文的,有些命令找不到的可能需要找下相关博文或者英文手册。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,053评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,527评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,779评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,685评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,699评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,609评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,989评论 3 396
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,654评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,890评论 1 298
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,634评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,716评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,394评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,976评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,950评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,191评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,849评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,458评论 2 342

推荐阅读更多精彩内容