java的Matcher 匹配多行，用于解析Fasta文件

fasta文件格式如下：

>ABC
GGTTCCAAACCGGTT
AATTGGGGGCCCGGGTT
AAATGGAAGGATTTCCC
AATTGGA
>DEF
AAAAATTTTTGGGGGC
CCCCCGGGAAT
CCCCAAAACACACACA
TTTTGGGAGCAGGCAG
>GHI
AATTCGCGGCATCGCATTCAGC
GCGACTACGACTACGATGCATCAG
CAGCATCG
>JKL
AATTAGGATTTGTGCTAGCATG
CGCGGCTCGCGGCCCCCCCGGAT
CGCGATTGGCATC
CAGTCGTAGCTACGTAGCT

> 符号后是基因名或者Contig ID （Contig的解释：用二代测序或一代测序得到的较短的seq拼接成的较长的序列，拼接的原理就是基于seq之间的重叠碱基，拼接获得的序列称为Contig）

然后跟着的几行是碱基序列

在Java中匹配多行，需要用DOTALL参数

示例如下：

import java.util.regex.Pattern;
import java.util.regex.Matcher;

public class patMatcher {

        public static void main(String[] args) {
                String s = ">adsds\nATGGGC\nAAAAGG\n";
                String seq_id = "";
                String sequence = "";
                
                Pattern p = Pattern.compile("(>.*?\\s)([ATCG\\s]+)", Pattern.DOTALL);
                Matcher mat = p.matcher(s); 
                while (mat.find()){System.out.print(mat.group(2));}
        }
}

s 代表一条contig序列，ID是adsds， 碱基序列是多行的ATGGGCAAAAGG

定义一个Matcher， 返回的mat.group(2) 就是碱基序列。

对于fasta文件，解析的方法如下：

import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
import java.io.FileNotFoundException;
import java.util.Scanner;
import java.util.regex.Pattern;
import java.util.regex.Matcher;

public class ReadFa {

        public static void main(String[] args) throws IOException{
                // Scanner s = null;
                StringBuilder s =  new StringBuilder();
                String seq_id = "";
                String sequence = "";

                String line;
                try {
                        // s = new Scanner(new BufferedReader(new FileReader(args[0])));
                        // Pattern p = Pattern.compile("^(?!>.*\n)[ATGC\n]+", Pattern.MULTILINE);
                        BufferedReader r = new BufferedReader(new FileReader(args[0]));
                        while((line=r.readLine())!=null) {
                                s.append(line);
                                s.append("\n");
                        } 
                        Pattern p = Pattern.compile("(>.*?\\s)([ATGC\\s]+)", Pattern.DOTALL);
                        Matcher mat = p.matcher(s.toString()); 
                        while (mat.find()) {
                                seq_id = mat.group(1);
                                sequence = mat.group(2);
                                System.out.print(seq_id);
                                System.out.print(sequence);
                        }
                        // String str = s.findWithinHorizon(p, 0);
                        /* do {
                                System.out.println(str);
                                str = s.findWithinHorizon(p, 0);

                        } while (str != null); */
                } catch (FileNotFoundException e) {
                        System.out.println(e.getMessage());
                }
                /* } finally {
                        if (s != null) {
                                s.close();
                        }
                } */
        }
}

javac ReadFa.java

java ReadFa test_A.fasta

这样就能输出每条序列的ID和对应的碱基序列了。