如何从.vcf文件中删除有害的制表符/新行？

Question

我正在处理vcf文件。我试图从该文件中提取信息，但该文件的格式有错误。你知道吗

此文件中有一列包含长字符串。错误是，许多制表符和一个新行字符错误地放置在此列的某些行中。所以当我试图读入这个以制表符分隔的文件时，所有的列都被弄乱了。你知道吗

我知道如何解决这个问题，但不知道如何在代码中执行它。字符串是DNA，所以总是有ATCG。基本上，如果可以在ATCG字符中查找多个制表符和换行符并将其删除，则该文件是固定的：

ACTGCTGA\t\t\t\t\nCTGATCGA将变成： ACTGCTGATGATCGA公司

所以需要查看这个文件，查找[ACTG]，后跟制表符或换行符，后跟更多的[ACTG]，然后将其替换为空。你知道怎么做吗？你知道吗

with open(file.vcf, 'r') as f:
    lines = [l for l in f if not l.startswith('##')]

Answer 1

正则表达式有一种方法：

首先在以下位置读取文件：

import re

with open('file.vcf', 'r') as file:
    dnafile = file.read()

然后编写一个包含更改的新文件：

with open('fileNew.vcf', 'w') as file:
    file.write(re.sub("(?<=[ACTG]{2})((\\t)*(\\n)*)(?=[ACTG]{2})", "", dnafile))