CN106484881A - 文件处理方法和装置 - Google Patents

Abstract

本申请公开了文件处理方法和装置。所述方法的一具体实施方式包括：根据服务器集群中的服务器的数量，将文件分割成多个子文件；将各个子文件分配给所述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件；获取所述服务器集群中的服务器生成的各个第一处理结果文件；将各个第一处理结果文件分配给所述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件；获取并存储所生成的各个第二处理结果文件。该实施方式提高了文件处理效率，实现了对计算资源的合理利用。

Description

文件处理方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及网络通信领域，尤其涉及文件处理方法和装置。

背景技术

随着计算机技术的发展，在越来越多的应用场景中会出现对大数据量的数据的处理需求，例如对大型网站产生的日志数据的处理、对生物信息分析中产生测序数据的处理等。在以上情况中，常常需要对数据进行多次分析、处理，以生成所需要的结果。

以全基因组重测序为例，全基因组重测序是对已知基因组序列的物种进行不同个体的基因组测序，并在此基础上对个体或群体进行差异性分析。通常，通过基因测序仪器进行基因组测序后会生成大量的基因测序数据，需要对用于存储基因测序数据的文件进行多次处理以便进行差异性分析。然而，现有的对于用于存储基因测序数据的文件的处理通常是由单个服务器进行，因而，存在着处理效率低、计算资源浪费的问题。因此，需要提供一种能够处理含有大数据量的文件的方法，以提高文件处理效率，并合理利用计算资源。

发明内容

本申请的目的在于提出一种改进的文件处理方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种文件处理方法，所述方法包括：根据服务器集群中的服务器的数量，将文件分割成多个子文件；将各个子文件分配给所述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件；获取所述服务器集群中的服务器生成的各个第一处理结果文件；将各个第一处理结果文件分配给所述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件；获取并存储所生成的各个第二处理结果文件。。

在一些实施例中，所述文件为用于存储基因测序数据的文件，其中，所述基因测序数据包括多个基因序列。

在一些实施例中，所述根据所述服务器集群中的服务器的数量，将文件分割成多个子文件，包括：根据所述服务器集群中的服务器的数量，确定所述文件的目标分割数量，其中，所述目标分割数量为所述数量的整数倍；以将所述文件分割成大小相同的、数量为所述目标分割数量的子文件的位置作为所述基因测序数据的分割位置，对于每一个分割位置，确定该分割位置是否为基因序列的起始位置；若是，将该分割位置作为目标分割位置；若否，将该分割位置后的第一个基因序列的起始位置作为目标分割位置；在所述基因测序数据的各个目标分割位置处进行分割，生成多个子文件。

在一些实施例中，所述对于每一个分割位置，确定该分割位置是否为基因序列的起始位置，包括：对于每一个分割位置，若该分割位置的上一个字符为换行符，并且该分割位置的下一个字符为基因序列的起始符，则确定该分割位置为基因序列的起始位置。

在一些实施例中，所述将各个子文件分配给所述服务器集群中的服务器，包括：基于负载均衡算法，将各个子文件分配给所述服务器集群中的服务器。

在一些实施例中，每一个第一处理结果文件的文件名称包括相匹配的染色体标识；以及所述将各个第一处理结果文件分配给所述服务器集群中的服务器，包括：将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器。

在一些实施例中，所述将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器，包括：根据文件名称中所包含的染色体标识，对各个第一处理结果文件进行分组，生成多个第一处理结果文件组，其中，每一个第一处理结果文件组由文件名称中包含相同的染色体标识的第一处理结果文件组成；将各个第一处理结果文件组分配给所述服务器集群中的服务器。

在一些实施例中，所述基因测序数据的格式为用于存储生物序列以及所述生物序列的质量评价的FASTQ格式。

在一些实施例中，各个第一处理结果文件和各个第二处理结果文件的格式为BAM格式。

第二方面，本申请提供了文件处理装置，所述装置包括：分割单元，配置用于根据服务器集群中的服务器的数量，将文件分割成多个子文件；第一分配单元，配置用于将各个子文件分配给所述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件；获取单元，配置用于获取所述服务器集群中的服务器生成的各个第一处理结果文件；第二分配单元，配置用于将各个第一处理结果文件分配给所述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件；存储单元，配置用于获取并存储所生成的各个第二处理结果文件。

在一些实施例中，所述文件为用于存储基因测序数据的文件，其中，所述基因测序数据包括多个基因序列。

在一些实施例中，所述分割单元包括：数量确定模块，配置用于根据所述服务器集群中的服务器的数量，确定所述文件的目标分割数量，其中，所述目标分割数量为所述数量的整数倍；位置确定模块，配置用于以将所述文件分割成大小相同的、数量为所述目标分割数量的子文件的位置作为所述基因测序数据的分割位置，对于每一个分割位置，确定该分割位置是否为基因序列的起始位置；若是，将该分割位置作为目标分割位置；若否，将该分割位置后的第一个基因序列的起始位置作为目标分割位置；分割模块，配置用于在所述基因测序数据的各个目标分割位置处进行分割，生成多个子文件。

在一些实施例中，所述位置确定模块进一步配置用于：对于每一个分割位置，若该分割位置的上一个字符为换行符，并且该分割位置的下一个字符为基因序列的起始符，则确定该分割位置为基因序列的起始位置。

在一些实施例中，所述第一分配单元进一步配置用于：基于负载均衡算法，将各个子文件分配给所述服务器集群中的服务器。

在一些实施例中，每一个第一处理结果文件的文件名称包括相匹配的染色体标识；以及所述第二分配单元进一步配置用于：将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器。

在一些实施例中，所述第二分配单元进一步配置用于：根据文件名称中所包含的染色体标识，对各个第一处理结果文件进行分组，生成多个第一处理结果文件组，其中，每一个第一处理结果文件组由文件名称中包含相同的染色体标识的第一处理结果文件组成；将各个第一处理结果文件组分配给所述服务器集群中的服务器。

在一些实施例中，所述基因测序数据的格式为用于存储生物序列以及所述生物序列的质量评价的FASTQ格式。

在一些实施例中，各个第一处理结果文件和各个第二处理结果文件的格式为BAM格式。

本申请提供的文件处理方法和装置，通过将文件分割为多个子文件并将各个子文件分配给服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件，而后获取各个第一处理结果文件并将各个第一处理结果文件分配给服务器集群中的服务器，以便服务器对分配的第一处理结果文件进行第二处理并生成第二处理结果文件，最后获取并存储各个第二处理结果文件，从而提高了文件处理效率，实现了计算资源的合理利用。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的文件处理方法的一个实施例的流程图；

图3是根据本申请的文件处理方法的一个应用场景的示意图；

图4是根据本申请的文件处理方法的又一个实施例的流程图；

图5是根据本申请的文件处理方法的又一个应用场景的示意图；

图6是根据本申请的文件处理装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的文件处理方法或文件处理装置的示例性系统架构100。

如图1所示，系统架构100可以包括服务器101，网络102和服务器集群103中的服务器104、105、106。网络102用以在服务器101和服务器集群103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

服务器101可以是提供各种服务的服务器，例如对服务器集群103中的服务器104、105、106上传的文件提供支持的文件服务器。文件服务器可以对存储于其上的文件执行拆分、设置共享权限等操作，也可以将存储于其上的文件分配给服务器集群103中的服务器，以便服务器集群103中的服务器对所分配的文件进行处理，此外，还可以获取并存储服务器集群103中的服务器104、105、106上传的处理结果文件。

服务器集群103包括服务器104、105、106，服务器104、105、106可以是提供各种服务的服务器，例如对从服务器101下载的文件中的数据执行多种数据处理操作的数据处理服务器。数据处理服务器可以通过网络102与服务器101进行交互，进行文件的上传和下载，也可以对下载的文件执行分割、合并等操作，还可以对文件中的数据执行比对、排序、去重等操作。

需要说明的是，本申请实施例所提供的文件处理方法一般由服务器101执行，相应地，文件处理装置一般设置于服务器101中。

应该理解，图1中的网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的网络和服务器。

继续参考图2，示出了根据本申请的文件处理方法的一个实施例的流程200。所述的文件处理方法，包括以下步骤：

步骤201，根据服务器集群中的服务器的数量，将文件分割成多个子文件。

在本实施例中，文件处理方法运行于其上的电子设备(例如图1所示的服务器101)上可以预先存储待处理的文件。上述电子设备可以首先确定所连接的服务器集群中的服务器的数量；之后，可以按照各种分割方式将文件分割成数量不小于服务器的数量的子文件。需要说明的是，上述电子设备与上述服务器集群中的各个服务器连接方式可以是有线连接方式或者无线连接方式，其中，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

在本实施例的一些可选的实现方式中，上述电子设备可以将上述文件分割成与服务器的数量相同的子文件。实践中，将上述文件分割成与服务器的数量相同的子文件的分割方式可以是随机分割，也可以是按照文件大小分割，使分割成的子文件大小基本相同。作为示例，上述文件大小为200G，上述服务器集群中的服务器的数量为10个，上述电子设备可以将上述文件分割成10个大小约为20G的子文件。

在本实施例的一些可选的实现方式中，上述电子设备可以将上述文件的目标分割数量确定为服务器的数量的N倍，其中，N为大于1的整数。上述电子设备可以将上述文件随机分割或按照文件大小分割成大小基本相同的、数量为上述目标分割数量的子文件。

步骤202，将各个子文件分配给服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件。

在本实施例中，上述电子设备可以利用各种方式将步骤201分割后的各个子文件分配给上述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件。上述对所分配的子文件进行第一处理可以是对所分配的子文件先后执行至少一项处理操作，例如，数据比对操作、文件分割操作、排序操作等。上述第一处理结果文件是用于存储第一处理结果的文件，对每一个子文件进行第一处理后可以生成至少一个第一处理结果文件，对各个子文件进行第一处理后所生成的第一处理结果文件的数量可以相同。

在本实施例的一些可选的实现方式中，对于每一个子文件，上述电子设备可以基于随机算法，随机选取服务器集群中的中的一台服务器，并将该子文件分配至选取的服务器中。另外，上述电子设备也可以将各个子文件按顺序轮流地分配给上述服务器集群中的服务器。此外，上述电子设备还可以基于加权轮询法、加权随机法、最小连接数法等任意的负载均衡算法，将各个子文件分配给上述服务器集群中的服务器。

需要说明的是，上述负载均衡算法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，获取服务器集群中的服务器生成的各个第一处理结果文件。

在本实施例中，上述服务器集群中的服务器每生成一个第一处理结果文件，可以向上述电子设备发送所生成的第一处理结果文件的传输请求。响应于上述电子设备接收到上述服务器集群中的服务器发送的传输请求，则获取所接收到的传输请求所指示的第一处理结果文件。

步骤204，将各个第一处理结果文件分配给服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件。

在本实施例中，上述电子设备可以利用各种方式将步骤203获取的各个第一处理结果文件分配给上述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件。上述对所分配的第一处理结果文件进行第二处理可以是对所分配的第一处理结果文件先后执行至少一项处理操作，例如，文件合并操作、去重操作等。上述第二处理结果文件是用于存储第二处理结果的文件。

在本实施例的一些可选的实现方式中，对于每一个第一处理结果文件，上述电子设备可以基于随机算法，随机选取服务器集群中的一台服务器，并将该第一处理结果文件分配至选取的服务器中。另外，上述电子设备也可以将各个第一处理结果文件按顺序轮流地分配给上述服务器集群中的服务器。此外，上述电子设备还可以基于加权轮询法、加权随机法、最小连接数法等任意的负载均衡算法，将各个第一处理结果文件分配给上述服务器集群中的服务器。

在本实施例的一些可选的实现方式中，步骤202生成的第一处理结果文件的文件名称可以包含不同的标识，上述电子设备可以根据文件标识，将文件名称中包含相同的标识的第一处理结果文件分配给同一个服务器。

步骤205，获取并存储所生成的各个第二处理结果文件。

在本实施例中，上述服务器集群中的服务器每生成一个第二处理结果文件，可以向上述电子设备发送所生成的第二处理结果文件的传输请求。响应于上述电子设备接收到上述服务器集群中的服务器发送的第二处理结果文件的传输请求，则获取所接收到的传输请求所指示的第二处理结果文件。

继续参见图3，图3是根据本实施例的文件处理方法的应用场景的一个示意图。在图3的应用场景中，文件服务器首先根据数据处理服务器集群中的数据处理服务器的数量，将文件分割成多个子文件(如标号301所示)；之后，上述文件服务器将各个子文件分配给上述数据处理服务器集群中的数据处理服务器(如标号302所示)；之后，上述数据处理服务器集群中的数据处理服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件(如标号303所示)；之后，上述文件服务器获取各个第一处理结果文件后，将各个第一处理结果文件分配给上述数据处理服务器集群中的数据处理服务器(如标号304所示)；然后，上述数据处理服务器集群中的数据处理服务器对所分配的第一处理结果文件进行第二处理并生成至少一个第二处理结果文件(如标号305所示)；最后，上述文件服务器获取并存储所生成的各个第二处理结果文件(如标号306所示)。

本申请的上述实施例提供的方法通过将文件分割为多个子文件并将各个子文件分配给服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件，而后获取各个第一处理结果文件并将各个第一处理结果文件分配给服务器集群中的服务器，以便服务器对分配的第一处理结果文件进行第二处理并生成第二处理结果文件，最后获取并存储各个第二处理结果文件，从而提高了文件处理效率，实现了对计算资源的合理利用。

进一步参考图4，其示出了文件处理方法的又一个实施例的流程400。该文件处理方法的流程400，包括以下步骤：

步骤401，根据服务器集群中的服务器的数量，确定文件的目标分割数量。

在本实施例中，文件处理方法运行于其上的电子设备(例如图1所示的服务器101)上可以预先存储待处理的文件，其中，上述文件可以为用于存储基因测序数据的文件，上述基因测序数据可以包括多个基因序列。实践中，基因测序数据可以通过生物信息分析仪器获取，并通过有线连接方式或无线连接方式预先传输至上述电子设备中。

在本实施例中，上述电子设备可以首先确定所连接的服务器集群(例如图1所示的服务器集群103)中的服务器的数量；之后，根据上述服务器集群中的服务器的数量，确定上述文件的目标分割数量，其中，上述目标分割数量可以为上述服务器集群中的服务器的数量的整数倍。

在本实施例中，上述基因测序数据的格式可以为用于存储生物序列以及生物序列的质量评价信息的FASTQ格式。实践中，FASTQ格式是以美国信息交换标准代码ASCII编码的一种文本格式。FASTQ格式的基因测序数据由多个基因序列构成，每一个基因序列一般包含四行：第一行由“@”字符开始，随后记录了基因序列的描述信息，即基因序列的识别标识，其中，“@”字符为每一个基因序列的起始符；第二行为基因的碱基序列；第三行由“+”字符开始，随后记录的信息通常与第一行相同，有时也可省略；第四行是对第二行的碱基序列的质量评价信息，即测序质量分数。

步骤402，以将文件分割成大小相同的、数量为目标分割数量的子文件的位置作为基因测序数据的分割位置，对于每一个分割位置，确定该分割位置是否为基因序列的起始位置。

在本实施例中，上述电子设备可以首先以将上述文件分割成大小相同的、数量为上述目标分割数量的子文件的位置作为上述基因测序数据的分割位置。作为示例，上述文件的大小为200G，目标分割数量为20个，则上述电子设备以将上述文件分割成20个大小为10G的子文件的位置作为上述基因测序数据的分割位置。之后，对于每一个分割位置，上述电子设备可以利用各种方式确定该分割位置是否为基因序列的起始位置。

在本实施例的一些可选的实现方式中，对于每一个分割位置，上述电子设备可以通过确定该分割位置是否满足以下条件来确定该分割位置是否为基因序列的起始位置，上述条件为：该分割位置的上一个字符为换行符，并且该分割位置的下一个字符为基因序列的起始符，其中，上述起始符可以为“@”字符。

在本实施例的一些可选的实现方式中，对于每一个分割位置，上述电子设备可以首先确定该分割位置所在的行数；之后，响应于所在的行数为4N(N为大于零的整数)，则通过检测该分割位置的前一个字符是否为换行符来确定该分割位置是否在所在行的行尾，若该分割位置的前一个字符为换行符则确定该分割位置在上述所在行的行尾，若该分割位置的前一个字符为其他字符，则确定该分割位置不在上述所在行的行尾；最后，响应于该分割位置在上述所在行的行尾，则确定该分割位置为基因序列的起始位置。需要说明的是，若该分割位置所在的行数不为4N，或者该分割位置不在上述所在行的行尾，则确定该分割位置不是基因序列的起始位置。

在本实施例的一些可选的实现方式中，对于每一个分割位置，上述电子设备可以首先确定该分割位置所在的行数；之后，响应于所在的行数为4N+1(N为不小于零的整数)，则通过检测该分割位置的后一个字符是否为基因序列的起始符来确定该分割位置是否在所在行的开头，其中，基因序列的起始符可以为“@”字符，若该分割位置的后一个字符为上述起始符，则确定该分割位置在上述所在行的开头，若该分割位置的后一个字符为其他字符，则确定该分割位置不在上述所在行的开头；最后，响应于该分割位置在上述所在行的开头，则确定该分割位置为基因序列的起始位置。需要说明的是，若该分割位置所在的行数不为4N+1，或者该分割位置不在上述所在行的开头，则确定该分割位置不是基因序列的起始位置。

步骤403，对于每一个分割位置，响应于该位置为基因序列的起始位置，则将该分割位置作为目标分割位置；响应于该位置不是基因序列的起始位置，将该分割位置后的第一个基因序列的起始位置作为目标分割位置。

在本实施例中，对于每一个分割位置，响应于步骤402确定该位置为基因序列的起始位置，则将该分割位置作为目标分割位置；响应于步骤402确定该位置不是基因序列的起始位置，查找将该分割位置后的第一个基因序列的起始位置，并将查找到的起始位置作为目标分割位置。实践中，可以通过在分割位置后查找依次为换行符和起始符的连续的两个字符来查找将该分割位置后的第一个基因序列的起始位置。

步骤404，在基因测序数据的各个目标分割位置处进行分割，生成多个子文件。

在本实施例中，上述电子设备可以在步骤403确定的各个目标分割位置处对上述基因测序数据进行分割，生成多个子文件。需要说明的是，每一个子文件中包括多个基因序列，且各个基因序列的存储格式可以是与上述文件的格式相同的FASTQ格式。

步骤405，将各个子文件分配给服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件。

在本实施例中，上述电子设备可以将各个子文件按顺序轮流地分配给上述服务器集群中的服务器，以使上述服务器集群中的每一台服务器分配到相同数量的子文件。上述服务器集群中的服务器对每一个子文件进行第一处理并生成至少一个第一处理结果文件可以包含以下步骤：

首先，对于每一个子文件，服务器将该子文件中的各个基因序列与预置的待比对基因序列进行比对，生成由该子文件中的各个基因序列的比对结果组成的比对结果文件，其中，每一个基因序列的比对结果包括该基因序列所属染色体的染色体标识。需要说明的是，上述待比对基因序列可以预先存储在上述服务器集群中的各个服务器中，也可以预先存储在上述电子设备中，上述电子设备对上述服务器集群中的服务器开放共享权限，以便上述服务器集群中的服务器从上述电子设备中下载得到。实践中，服务器可以通过安装的生物序列比对工具对该子文件中的各个基因序列进行比对，生成用于存储序列比对结果的SAM(Sequence Alignment Map，序列比对)格式的初始比对结果；之后，通过安装的生物序列分析工具对初始比对结果进行格式转换，生成转换后的二进制格式BAM格式的比对结果文件。

其次，对于每一个比对结果文件，将该比对结果文件按照染色体标识拆分成多个子比对结果文件，其中，每一个子比对结果文件中的各个比对结果所包含的染色体标识相同，即每一个子比对结果文件中的比对结果为同一个染色体上的基因序列的比对结果。实践中，可以通过上述生物序列分析工具将该比对结果文件中的各个基因序列的比对结果按照染色体进行拆分，生成多个子比对结果文件，每一种染色体对应一个子比对结果文件。对于每一种染色体的子比对结果文件，该文件中的各个比对结果均为该染色体上的基因序列的比对结果。例如，若上述文件为用于存储男性人全基因组重测序后的基因测序数据的文件，由于男性人类细胞中包含22对体染色体、1条X染色体和1条Y染色体，因此，将生成的每一个子比对结果文件按照染色体类型拆分成24个。

最后，对于每一个子比对结果文件，将该子比对结果文件中的各个比对结果进行排序，生成第一处理结果文件。实践中，对于每一个子比对结果文件，可以通过上述生物序列分析工具，按照染色体中各个基因序列的排列顺序，对该子比对结果文件中的各个基因序列的比对结果进行排序，生成第一处理结果文件。可以看出，对于每一个第一处理结果文件，该第一处理结果文件中的各个第一处理结果为同一个染色体上的基因序列的第一处理结果，且每一个第一处理结果文件的文件名称可以包括相匹配的染色体标识。需要说明的是，各个第一处理结果文件的格式可以是BAM格式。

步骤406，获取服务器集群中的服务器生成的各个第一处理结果文件。

在本实施例中，上述服务器集群中的服务器每生成一个第一处理结果文件，可以向上述电子设备发送所生成的第一处理结果文件的传输请求。响应于上述电子设备接收到上述服务器集群中的服务器发送的传输请求，则获取所接收到的传输请求所指示的第一处理结果文件。

步骤407，将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件。

在本实施例中，上述电子设备可以将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器。具体的，上述电子设备可以首先根据文件名称中所包含的染色体标识，对各个第一处理结果文件进行分组，生成多个第一处理结果文件组，其中，每一个第一处理结果文件组由文件名称中包含相同的染色体标识的第一处理结果文件组成，且每一个染色体标识对应一个第一处理结果文件组；之后，确定第一处理结果文件组的数量；响应于第一处理结果文件组的数量不大于上述服务器集合中的服务器的数量，将各个第一处理文件组分配给不同的服务器；响应于第一处理结果文件组的数量大于上述服务器集合中的服务器的数量，将各个第一处理结果文件按顺序轮流地分配给上述服务器集群中的服务器。

在本实施例中，服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件可以包含以下步骤：首先，通过上述生物序列分析工具将文件名称中包含同一染色体标识的各个第一处理结果文件合并，生成合并文件，其中，每一个合并文件的文件名称包括与该合并文件匹配的染色体标识；之后，对于每一个合并文件，通过上述生物序列分析工具对该合并文件执行去重操作，生成第二处理结果文件，其中，上述第二处理结果文件的文件名称包括该合并文件的文件名称中的染色体标识。

需要说明的是，各个第二处理结果文件的格式可以是BAM格式。

步骤408，获取并存储所生成的各个第二处理结果文件。

在本实施例中，上述服务器集群中的服务器每生成一个第二处理结果文件，可以向上述电子设备发送所生成的第二处理结果文件的传输请求。响应于上述电子设备接收到上述服务器集群中的服务器发送的第二处理结果文件的传输请求，则获取所接收到的传输请求所指示的第二处理结果文件。

继续参见图5，图5是根据本实施例的文件处理方法的应用场景的一个示意图。

在图5的应用场景中，数据处理服务器集群中的数据处理服务器的数量为3个，文件服务器首先将文件501的目标分割数量确定为3个，并确定目标分割位置，将文件501分割为如标号502所示的3个子文件，其中，各个子文件的文件编号分别为“part1(第一部分)”、“part2(第二部分)”、“part3(第三部分)”。

之后，上述文件服务器将文件编号为“part1”的子文件分配给数据处理服务器1，将文件编号为“part2”的子文件分配给数据处理服务器2，将文件编号为“part3”的子文件分配给数据处理服务器3，以便各个服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件，之后获取如标号503所示的各个第一处理结果子文件。具体的，响应于基因测序的样本的染色体标识有“chr1”、“chr2”、“chr3”和“chr4”4种，上述数据处理服务器1对文件编号为“part1”的子文件进行第一处理后，生成文件名称分别为“part1.chr1.sort.bam”、“part1.chr2.sort.bam”、“part1.chr3.sort.bam”和“part1.chr4.sort.bam”的4个第一处理结果文件；上述数据处理服务器2对文件编号为“part2”的子文件进行处理后，生成文件名称分别为“part2.chr1.sort.bam”、“part2.chr2.sort.bam”、“part2.chr3.sort.bam”和“part2.chr4.sort.bam”的4个第一处理结果文件；上述数据处理服务器3对文件编号为“part1”的子文件进行处理后，生成文件名称分别为“part3.chr1.sort.bam”、“part3.chr2.sort.bam”、“part3.chr3.sort.bam”和“part3.chr4.sort.bam”的4个第一处理结果文件。

然后，上述文件服务器将文件名称中包含相同的染色体标识的第一处理结果文件分为一个第一处理结果文件组，共分成4个第一处理结果文件组，并将各个第一处理结果文件组顺序轮流地分配给各个数据处理服务器，以便数据处理服务器对所分配的第一处理结果文件进行第二处理。分配后的各个第一处理结果文件组如标号504所示，具体的，将文件名称中带有“chr1”染色体标识的第一处理结果文件，即文件名称分别为“part1.chr1.sort.bam”、“part2.chr1.sort.bam”和“part3.chr1.sort.bam”的第一处理结果文件分配至上述数据处理服务器1；将文件名称中带有“chr2”染色体标识的第一处理结果文件，即文件名称分别为“part1.chr2.sort.bam”、“part2.chr2.sort.bam”和“part3.chr2.sort.bam”的第一处理结果文件分配至上述数据处理服务器2；将文件名称中带有“chr3”染色体标识的第一处理结果文件，即文件名称分别为“part1.chr3.sort.bam”、“part2.chr3.sort.bam”和“part3.chr3.sort.bam”第一处理结果文件分配至上述数据处理服务器3；将文件名称中带有“chr4”染色体标识的第一处理结果文件，即文件名称分别为“part1.chr4.sort.bam”、“part2.chr4.sort.bam”和“part3.chr4.sort.bam”第一处理结果文件分配至上述数据处理服务器1。

最后，各个数据处理服务器对所分配的第一处理结果文件进行第二处理后生成如标号505所示的各个第二处理结果文件，上述文件服务器获取并存储各个第二处理结果文件。具体的，上述数据处理服务器1对所分配的各个第一处理结果文件按照染色体标识进行合并进行去重处理，生成文件名称分别为“chr1.sort.markd.bam”和“chr4.sort.markd.bam”的第二处理结果文件；上述数据处理服务器2对所分配的各个第一处理结果文件按照染色体标识进行合并进行去重处理，生成文件名称为“chr2.sort.markd.bam”的第二处理结果文件；上述数据处理服务器3对所分配的各个第一处理结果文件按照染色体标识进行合并进行去重处理，生成文件名称为“chr3.sort.markd.bam”的第二处理结果文件。

从图4中可以看出，与图2对应的实施例相比，本实施例中的文件处理方法的流程400突出了对用于存储基因测序数据的文件进行分割的步骤，以及按照染色体标识对各个第一处理结果文件进行分配的步骤。由此，本实施例描述的方案可以对文件进行更准确的分割，并且所使用的分配方式易于服务器对第一处理结果文件进行第二处理，从而进一步提高了文件处理效率，更加有效的利用了集群内的计算资源。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种文件处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例所述的文件处理装置600包括：分割单元601，配置用于根据服务器集群中的服务器的数量，将文件分割成多个子文件；第一分配单元602，配置用于将各个子文件分配给上述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件；获取单元603，配置用于获取上述服务器集群中的服务器生成的各个第一处理结果文件；第二分配单元604，配置用于将各个第一处理结果文件分配给上述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件；存储单元605，配置用于获取并存储所生成的各个第二处理结果文件。

在本实施例中，文件处理装置600的分割单元601上可以预先存储待处理的文件。上述分割单元601可以首先确定所连接的服务器集群中的服务器的数量；之后，可以按照各种分割方式将文件分割成数量不小于服务器的数量的子文件。

在本实施例中，上述第一分配单元602可以利用各种方式将分割单元601分割后的各个子文件分配给上述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件。上述对所分配的子文件进行第一处理可以是对所分配的子文件先后执行至少一项处理操作，例如，数据比对操作、文件分割操作、排序操作等。上述第一处理结果文件是用于存储第一处理结果的文件，对每一个子文件进行第一处理后可以生成至少一个第一处理结果文件，对各个子文件进行处理后所生成的第一处理结果文件的数量可以是相同的。

在本实施例中，上述服务器集群中的服务器每生成一个第一处理结果文件，可以向上述获取单元603发送生成的第一处理结果文件的传输请求。响应于上述获取单元603接收到上述服务器集群中的服务器发送的传输请求，则获取所接收到的传输请求所指示的第一处理结果文件。

在本实施例中，上述第二分配单元604可以利用各种方式将获取单元603获取的各个第一处理结果文件分配给上述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件。上述对所分配的第一处理结果文件进行第二处理可以是对所分配的第一处理结果文件先后执行至少一项处理操作，例如，文件合并操作、去重操作等。上述第二处理结果文件是用于存储第二处理结果的文件。

在本实施例中，上述服务器集群中的服务器每生成一个第二处理结果文件，可以向上述存储单元605发送生成的第二处理结果文件的传输请求。响应于上述存储单元605接收到上述服务器集群中的服务器发送的第二处理结果文件的传输请求，则获取所接收到的传输请求所指示的第二处理结果文件。

在本实施例的一些可选的实现方式中，上述文件可以是用于存储基因测序数据的文件，其中，上述基因测序数据包括多个基因序列。

在本实施例的一些可选的实现方式中，上述分割单元601可以包括数量确定模块、位置确定模块和分割模块。上述数量确定模块配置用于根据上述服务器集群中的服务器的数量，确定上述文件的目标分割数量，其中，上述目标分割数量为上述数量的整数倍；上述位置确定模块配置用于以将上述文件分割成大小相同的、数量为上述目标分割数量的子文件的位置作为上述基因测序数据的分割位置，对于每一个分割位置，确定该分割位置是否为基因序列的起始位置；若是，将该分割位置作为目标分割位置；若否，将该分割位置后的第一个基因序列的起始位置作为目标分割位置；上述分割模块配置用于在上述基因测序数据的各个目标分割位置处进行分割，生成多个子文件。

在本实施例的一些可选的实现方式中，对于每一个分割位置，上述位置确定模块可以进一步配置用于若该分割位置的上一个字符为换行符，并且该分割位置的下一个字符为基因序列的起始符，则确定该分割位置为基因序列的起始位置。

在本实施例的一些可选的实现方式中，上述第一分配单元602可以进一步配置用于基于负载均衡算法，将各个子文件分配给上述服务器集群中的服务器。

在本实施例的一些可选的实现方式中，对于每一个第一处理结果文件，该第一处理结果文件中的第一处理结果为同一个染色体上的基因序列的第一处理结果，且该第一处理结果文件的文件名称包括相匹配的染色体标识。

在本实施例的一些可选的实现方式中，上述第二分配单元604可以进一步配置用于将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器。

在本实施例的一些可选的实现方式中，上述第二分配单元604可以进一步配置用于根据文件名称中所包含的染色体标识，对各个第一处理结果文件进行分组，生成多个第一处理结果文件组，其中，每一个第一处理结果文件组由文件名称中包含相同的染色体标识的第一处理结果文件组成；将各个第一处理结果文件组分配给上述服务器集群中的服务器。

在本实施例的一些可选的实现方式中，上述基因测序数据的格式可以是用于存储生物序列以及上述生物序列的质量评价的FASTQ格式。

在本实施例的一些可选的实现方式中，各个第一处理结果文件和各个第二处理结果文件的格式可以是用于存储二进制序列比对结果的BAM格式。

本申请的上述实施例提供的装置，通过分割单元601将文件分割为多个子文件并通过第一分配单元602将各个子文件分配给服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件，而后获取单元603获取各个第一处理结果文件后，第二分配单元604将各个第一处理结果文件分配给服务器集群中的服务器，以便服务器对分配的第一处理结果文件进行第二处理并生成第二处理结果文件，最后存储单元605获取并存储各个第二处理结果文件，从而提高了文件处理效率，实现了计算资源的合理利用。

下面参考图7，其示出了适于用来实现本申请的服务器的计算机系统700的结构示意图。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的

程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括分割单元、第一分配单元、获取单元、第二分配单元和存储单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，分割单元还可以被描述为“根据服务器集群中的服务器的数量将文件分割成多个子文件的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：根据服务器集群中的服务器的数量，将文件分割成多个子文件；将各个子文件分配给所述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件；获取所述服务器集群中的服务器生成的各个第一处理结果文件；将各个第一处理结果文件分配给所述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件；获取并存储所生成的各个第二处理结果文件。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种文件处理方法，其特征在于，所述方法包括：

根据服务器集群中的服务器的数量，将文件分割成多个子文件；

将各个子文件分配给所述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件；

获取所述服务器集群中的服务器生成的各个第一处理结果文件；

将各个第一处理结果文件分配给所述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件；

获取并存储所生成的各个第二处理结果文件。

2.根据权利要求1所述的文件处理方法，其特征在于，所述文件为用于存储基因测序数据的文件，其中，所述基因测序数据包括多个基因序列。

3.根据权利要求2所述的文件处理方法，其特征在于，所述根据所述服务器集群中的服务器的数量，将文件分割成多个子文件，包括：

根据所述服务器集群中的服务器的数量，确定所述文件的目标分割数量，其中，所述目标分割数量为所述数量的整数倍；

以将所述文件分割成大小相同的、数量为所述目标分割数量的子文件的位置作为所述基因测序数据的分割位置，对于每一个分割位置，确定该分割位置是否为基因序列的起始位置；若是，将该分割位置作为目标分割位置；若否，将该分割位置后的第一个基因序列的起始位置作为目标分割位置；

在所述基因测序数据的各个目标分割位置处进行分割，生成多个子文件。

4.根据权利要求3所述的文件处理方法，其特征在于，所述对于每一个分割位置，确定该分割位置是否为基因序列的起始位置，包括：对于每一个分割位置，若该分割位置的上一个字符为换行符，并且该分割位置的下一个字符为基因序列的起始符，则确定该分割位置为基因序列的起始位置。

5.根据权利要求1所述的文件处理方法，其特征在于，所述将各个子文件分配给所述服务器集群中的服务器，包括：

基于负载均衡算法，将各个子文件分配给所述服务器集群中的服务器。

6.根据权利要求2所述的文件处理方法，其特征在于，每一个第一处理结果文件的文件名称包括相匹配的染色体标识；以及

所述将各个第一处理结果文件分配给所述服务器集群中的服务器，包括：

将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器。

7.根据权利要求6所述的文件处理方法，其特征在于，所述将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器，包括：

根据第一处理结果文件的文件名称中所包含的染色体标识，对各个第一处理结果文件进行分组，生成多个第一处理结果文件组，其中，每一个第一处理结果文件组由文件名称中包含相同的染色体标识的第一处理结果文件组成；将各个第一处理结果文件组分配给所述服务器集群中的服务器。

8.根据权利要求2所述的文件处理方法，其特征在于，所述基因测序数据的格式为用于存储生物序列以及所述生物序列的质量评价的FASTQ格式。

9.根据权利要求1所述的文件处理方法，其特征在于，各个第一处理结果文件和各个第二处理结果文件的格式为BAM格式。

10.一种文件处理装置，其特征在于，所述装置包括：

分割单元，配置用于根据服务器集群中的服务器的数量，将文件分割成多个子文件；

第一分配单元，配置用于将各个子文件分配给所述服务器集群中的服务器，以便服务器对所分配的子文件进行第一处理并生成至少一个第一处理结果文件；

获取单元，配置用于获取所述服务器集群中的服务器生成的各个第一处理结果文件；

第二分配单元，配置用于将各个第一处理结果文件分配给所述服务器集群中的服务器，以便服务器对所分配的第一处理结果文件进行第二处理并生成第二处理结果文件；

存储单元，配置用于获取并存储所生成的各个第二处理结果文件。

11.根据权利要求10所述的文件处理装置，其特征在于，所述文件为用于存储基因测序数据的文件，其中，所述基因测序数据包括多个基因序列。

12.根据权利要求10所述的文件处理装置，其特征在于，所述分割单元包括：

数量确定模块，配置用于根据所述服务器集群中的服务器的数量，确定所述文件的目标分割数量，其中，所述目标分割数量为所述数量的整数倍；

位置确定模块，配置用于以将所述文件分割成大小相同的、数量为所述目标分割数量的子文件的位置作为所述基因测序数据的分割位置，对于每一个分割位置，确定该分割位置是否为基因序列的起始位置；若是，将该分割位置作为目标分割位置；若否，将该分割位置后的第一个基因序列的起始位置作为目标分割位置；

分割模块，配置用于在所述基因测序数据的各个目标分割位置处进行分割，生成多个子文件。

13.根据权利要求12所述的文件处理装置，其特征在于，所述位置确定模块进一步配置用于：

对于每一个分割位置，若该分割位置的上一个字符为换行符，并且该分割位置的下一个字符为基因序列的起始符，则确定该分割位置为基因序列的起始位置。

14.根据权利要求10所述的文件处理装置，其特征在于，所述第一分配单元进一步配置用于：

基于负载均衡算法，将各个子文件分配给所述服务器集群中的服务器。

15.根据权利要求11所述的文件处理装置，其特征在于，每一个第一处理结果文件的文件名称包括相匹配的染色体标识；以及

所述第二分配单元进一步配置用于：

将文件名称中包含相同的染色体标识的第一处理结果文件分配给同一个服务器。

16.根据权利要求15所述的文件处理装置，其特征在于，所述第二分配单元进一步配置用于：

根据文件名称中所包含的染色体标识，对各个第一处理结果文件进行分组，生成多个第一处理结果文件组，其中，每一个第一处理结果文件组由文件名称中包含相同的染色体标识的第一处理结果文件组成；将各个第一处理结果文件组分配给所述服务器集群中的服务器。

17.根据权利要求11所述的文件处理装置，其特征在于，所述基因测序数据的格式为用于存储生物序列以及所述生物序列的质量评价的FASTQ格式。

18.根据权利要求10所述的文件处理装置，其特征在于，各个第一处理结果文件和各个第二处理结果文件的格式为BAM格式。