针对巨大的串联文件优化脚本/循环以丢弃文件列表中的有缺陷的项目

Question

用一个真实的例子替换了例子文件；用代替nbratoms变量nbrbonds。

初学者的问题。

我想针对大型文件（100G +）优化以下脚本。我昨天发现了itertools的存在，但是没有任何线索。

f = open(sys.argv[1], "r")

out = open(sys.argv[2], 'w')

lines = f.read().split('\n@<TRIPOS>MOLECULE')

for i in lines: 

    ii=i.split('\n@<TRIPOS>',4) 

    header=ii[0]

    infos=header.split('\n')[2]

    nbrbonds=infos.split(' ')[2]

    if str(nbrbonds) in ii[2]:

        out.write('\n@<TRIPOS>MOLECULE'+str(i))

out.close()

f.close()

处理后的文件由串联的200,000+个单个MOL2文件组成（下面的最后一个示例）。该脚本的思想是首先将输入文件拆分为以两个定界的项目@<TRIPOS>MOLECULE（=新MOL2文件的第一行）；然后根据起始行拆分这些项目@<TRIPOS>为4个部分（即，@<TRIPOS>MOLECULE，@<TRIPOS>ATOM，@<TRIPOS>BOND和@<TRIPOS>ALT_TYPE）。对于每个单个MOL2文件，我想检查14标题中（第二个）位置（每个单个MOL2文件中的不同）处的值

@<TRIPOS>MOLECULE

Z1198223644

14 14 0 0 0

USER_CHARGES

出现在单个文件的第3部分（以下）中：

@<TRIPOS>BOND

1       1       2 1

2       2       3 1

3       2       4 1

4       2       5 1

5       5       6 ar

6       5      11 ar

 ...

如果是这样->用\n@<TRIPOS>MOLECULE第一行将其打印到outputfile （本质上就是单个MOL2文件的外观）。它似乎可以正常工作，但是我担心它太业余了。另外，我不知道如何实现避免输出文件以这样的双头标记开头的步骤

@<TRIPOS>MOLECULE@<TRIPOS>MOLECULE

Z1198223644

...

任何帮助的欢迎！我加入了一个文件含有6个级联MOL2文件; 奇数文件是正确的；甚至文件-错误。