Merge commit 'upstream/0.5'
[pysam.git] / samtools / bam.c.pysam.c
diff --git a/samtools/bam.c.pysam.c b/samtools/bam.c.pysam.c
new file mode 100644 (file)
index 0000000..28cdbd7
--- /dev/null
@@ -0,0 +1,364 @@
+#include "pysam.h"
+
+#include <stdio.h>
+#include <ctype.h>
+#include <errno.h>
+#include <assert.h>
+#include "bam.h"
+#include "bam_endian.h"
+#include "kstring.h"
+#include "sam_header.h"
+
+int bam_is_be = 0, bam_verbose = 2;
+char *bam_flag2char_table = "pPuUrR12sfd\0\0\0\0\0";
+
+/**************************
+ * CIGAR related routines *
+ **************************/
+
+uint32_t bam_calend(const bam1_core_t *c, const uint32_t *cigar)
+{
+       uint32_t k, end;
+       end = c->pos;
+       for (k = 0; k < c->n_cigar; ++k) {
+               int op = cigar[k] & BAM_CIGAR_MASK;
+               if (op == BAM_CMATCH || op == BAM_CDEL || op == BAM_CREF_SKIP)
+                       end += cigar[k] >> BAM_CIGAR_SHIFT;
+       }
+       return end;
+}
+
+int32_t bam_cigar2qlen(const bam1_core_t *c, const uint32_t *cigar)
+{
+       uint32_t k;
+       int32_t l = 0;
+       for (k = 0; k < c->n_cigar; ++k) {
+               int op = cigar[k] & BAM_CIGAR_MASK;
+               if (op == BAM_CMATCH || op == BAM_CINS || op == BAM_CSOFT_CLIP)
+                       l += cigar[k] >> BAM_CIGAR_SHIFT;
+       }
+       return l;
+}
+
+/********************
+ * BAM I/O routines *
+ ********************/
+
+bam_header_t *bam_header_init()
+{
+       bam_is_be = bam_is_big_endian();
+       return (bam_header_t*)calloc(1, sizeof(bam_header_t));
+}
+
+void bam_header_destroy(bam_header_t *header)
+{
+       int32_t i;
+       extern void bam_destroy_header_hash(bam_header_t *header);
+       if (header == 0) return;
+       if (header->target_name) {
+               for (i = 0; i < header->n_targets; ++i)
+                       free(header->target_name[i]);
+               free(header->target_name);
+               free(header->target_len);
+       }
+       free(header->text);
+       if (header->dict) sam_header_free(header->dict);
+       if (header->rg2lib) sam_tbl_destroy(header->rg2lib);
+       bam_destroy_header_hash(header);
+       free(header);
+}
+
+bam_header_t *bam_header_read(bamFile fp)
+{
+       bam_header_t *header;
+       char buf[4];
+       int magic_len;
+       int32_t i = 1, name_len;
+       // check EOF
+       i = bgzf_check_EOF(fp);
+       if (i < 0) {
+               // If the file is a pipe, checking the EOF marker will *always* fail
+               // with ESPIPE.  Suppress the error message in this case.
+               if (errno != ESPIPE) perror("[bam_header_read] bgzf_check_EOF");
+       }
+       else if (i == 0) fprintf(pysamerr, "[bam_header_read] EOF marker is absent. The input is probably truncated.\n");
+       // read "BAM1"
+       magic_len = bam_read(fp, buf, 4);
+       if (magic_len != 4 || strncmp(buf, "BAM\001", 4) != 0) {
+               fprintf(pysamerr, "[bam_header_read] invalid BAM binary header (this is not a BAM file).\n");
+               return 0;
+       }
+       header = bam_header_init();
+       // read plain text and the number of reference sequences
+       bam_read(fp, &header->l_text, 4);
+       if (bam_is_be) bam_swap_endian_4p(&header->l_text);
+       header->text = (char*)calloc(header->l_text + 1, 1);
+       bam_read(fp, header->text, header->l_text);
+       bam_read(fp, &header->n_targets, 4);
+       if (bam_is_be) bam_swap_endian_4p(&header->n_targets);
+       // read reference sequence names and lengths
+       header->target_name = (char**)calloc(header->n_targets, sizeof(char*));
+       header->target_len = (uint32_t*)calloc(header->n_targets, 4);
+       for (i = 0; i != header->n_targets; ++i) {
+               bam_read(fp, &name_len, 4);
+               if (bam_is_be) bam_swap_endian_4p(&name_len);
+               header->target_name[i] = (char*)calloc(name_len, 1);
+               bam_read(fp, header->target_name[i], name_len);
+               bam_read(fp, &header->target_len[i], 4);
+               if (bam_is_be) bam_swap_endian_4p(&header->target_len[i]);
+       }
+       return header;
+}
+
+int bam_header_write(bamFile fp, const bam_header_t *header)
+{
+       char buf[4];
+       int32_t i, name_len, x;
+       // write "BAM1"
+       strncpy(buf, "BAM\001", 4);
+       bam_write(fp, buf, 4);
+       // write plain text and the number of reference sequences
+       if (bam_is_be) {
+               x = bam_swap_endian_4(header->l_text);
+               bam_write(fp, &x, 4);
+               if (header->l_text) bam_write(fp, header->text, header->l_text);
+               x = bam_swap_endian_4(header->n_targets);
+               bam_write(fp, &x, 4);
+       } else {
+               bam_write(fp, &header->l_text, 4);
+               if (header->l_text) bam_write(fp, header->text, header->l_text);
+               bam_write(fp, &header->n_targets, 4);
+       }
+       // write sequence names and lengths
+       for (i = 0; i != header->n_targets; ++i) {
+               char *p = header->target_name[i];
+               name_len = strlen(p) + 1;
+               if (bam_is_be) {
+                       x = bam_swap_endian_4(name_len);
+                       bam_write(fp, &x, 4);
+               } else bam_write(fp, &name_len, 4);
+               bam_write(fp, p, name_len);
+               if (bam_is_be) {
+                       x = bam_swap_endian_4(header->target_len[i]);
+                       bam_write(fp, &x, 4);
+               } else bam_write(fp, &header->target_len[i], 4);
+       }
+       bgzf_flush(fp);
+       return 0;
+}
+
+static void swap_endian_data(const bam1_core_t *c, int data_len, uint8_t *data)
+{
+       uint8_t *s;
+       uint32_t i, *cigar = (uint32_t*)(data + c->l_qname);
+       s = data + c->n_cigar*4 + c->l_qname + c->l_qseq + (c->l_qseq + 1)/2;
+       for (i = 0; i < c->n_cigar; ++i) bam_swap_endian_4p(&cigar[i]);
+       while (s < data + data_len) {
+               uint8_t type;
+               s += 2; // skip key
+               type = toupper(*s); ++s; // skip type
+               if (type == 'C' || type == 'A') ++s;
+               else if (type == 'S') { bam_swap_endian_2p(s); s += 2; }
+               else if (type == 'I' || type == 'F') { bam_swap_endian_4p(s); s += 4; }
+               else if (type == 'D') { bam_swap_endian_8p(s); s += 8; }
+               else if (type == 'Z' || type == 'H') { while (*s) ++s; ++s; }
+               else if (type == 'B') {
+                       int32_t n, Bsize = bam_aux_type2size(*s);
+                       memcpy(&n, s + 1, 4);
+                       if (1 == Bsize) {
+                       } else if (2 == Bsize) {
+                               for (i = 0; i < n; i += 2)
+                                       bam_swap_endian_2p(s + 5 + i);
+                       } else if (4 == Bsize) {
+                               for (i = 0; i < n; i += 4)
+                                       bam_swap_endian_4p(s + 5 + i);
+                       }
+                       bam_swap_endian_4p(s+1); 
+               }
+       }
+}
+
+int bam_read1(bamFile fp, bam1_t *b)
+{
+       bam1_core_t *c = &b->core;
+       int32_t block_len, ret, i;
+       uint32_t x[8];
+
+       assert(BAM_CORE_SIZE == 32);
+       if ((ret = bam_read(fp, &block_len, 4)) != 4) {
+               if (ret == 0) return -1; // normal end-of-file
+               else return -2; // truncated
+       }
+       if (bam_read(fp, x, BAM_CORE_SIZE) != BAM_CORE_SIZE) return -3;
+       if (bam_is_be) {
+               bam_swap_endian_4p(&block_len);
+               for (i = 0; i < 8; ++i) bam_swap_endian_4p(x + i);
+       }
+       c->tid = x[0]; c->pos = x[1];
+       c->bin = x[2]>>16; c->qual = x[2]>>8&0xff; c->l_qname = x[2]&0xff;
+       c->flag = x[3]>>16; c->n_cigar = x[3]&0xffff;
+       c->l_qseq = x[4];
+       c->mtid = x[5]; c->mpos = x[6]; c->isize = x[7];
+       b->data_len = block_len - BAM_CORE_SIZE;
+       if (b->m_data < b->data_len) {
+               b->m_data = b->data_len;
+               kroundup32(b->m_data);
+               b->data = (uint8_t*)realloc(b->data, b->m_data);
+       }
+       if (bam_read(fp, b->data, b->data_len) != b->data_len) return -4;
+       b->l_aux = b->data_len - c->n_cigar * 4 - c->l_qname - c->l_qseq - (c->l_qseq+1)/2;
+       if (bam_is_be) swap_endian_data(c, b->data_len, b->data);
+       return 4 + block_len;
+}
+
+inline int bam_write1_core(bamFile fp, const bam1_core_t *c, int data_len, uint8_t *data)
+{
+       uint32_t x[8], block_len = data_len + BAM_CORE_SIZE, y;
+       int i;
+       assert(BAM_CORE_SIZE == 32);
+       x[0] = c->tid;
+       x[1] = c->pos;
+       x[2] = (uint32_t)c->bin<<16 | c->qual<<8 | c->l_qname;
+       x[3] = (uint32_t)c->flag<<16 | c->n_cigar;
+       x[4] = c->l_qseq;
+       x[5] = c->mtid;
+       x[6] = c->mpos;
+       x[7] = c->isize;
+       bgzf_flush_try(fp, 4 + block_len);
+       if (bam_is_be) {
+               for (i = 0; i < 8; ++i) bam_swap_endian_4p(x + i);
+               y = block_len;
+               bam_write(fp, bam_swap_endian_4p(&y), 4);
+               swap_endian_data(c, data_len, data);
+       } else bam_write(fp, &block_len, 4);
+       bam_write(fp, x, BAM_CORE_SIZE);
+       bam_write(fp, data, data_len);
+       if (bam_is_be) swap_endian_data(c, data_len, data);
+       return 4 + block_len;
+}
+
+int bam_write1(bamFile fp, const bam1_t *b)
+{
+       return bam_write1_core(fp, &b->core, b->data_len, b->data);
+}
+
+char *bam_format1_core(const bam_header_t *header, const bam1_t *b, int of)
+{
+       uint8_t *s = bam1_seq(b), *t = bam1_qual(b);
+       int i;
+       const bam1_core_t *c = &b->core;
+       kstring_t str;
+       str.l = str.m = 0; str.s = 0;
+
+       kputsn(bam1_qname(b), c->l_qname-1, &str); kputc('\t', &str);
+       if (of == BAM_OFDEC) { kputw(c->flag, &str); kputc('\t', &str); }
+       else if (of == BAM_OFHEX) ksprintf(&str, "0x%x\t", c->flag);
+       else { // BAM_OFSTR
+               for (i = 0; i < 16; ++i)
+                       if ((c->flag & 1<<i) && bam_flag2char_table[i])
+                               kputc(bam_flag2char_table[i], &str);
+               kputc('\t', &str);
+       }
+       if (c->tid < 0) kputsn("*\t", 2, &str);
+       else {
+               if (header) kputs(header->target_name[c->tid] , &str);
+               else kputw(c->tid, &str);
+               kputc('\t', &str);
+       }
+       kputw(c->pos + 1, &str); kputc('\t', &str); kputw(c->qual, &str); kputc('\t', &str);
+       if (c->n_cigar == 0) kputc('*', &str);
+       else {
+               for (i = 0; i < c->n_cigar; ++i) {
+                       kputw(bam1_cigar(b)[i]>>BAM_CIGAR_SHIFT, &str);
+                       kputc("MIDNSHP"[bam1_cigar(b)[i]&BAM_CIGAR_MASK], &str);
+               }
+       }
+       kputc('\t', &str);
+       if (c->mtid < 0) kputsn("*\t", 2, &str);
+       else if (c->mtid == c->tid) kputsn("=\t", 2, &str);
+       else {
+               if (header) kputs(header->target_name[c->mtid], &str);
+               else kputw(c->mtid, &str);
+               kputc('\t', &str);
+       }
+       kputw(c->mpos + 1, &str); kputc('\t', &str); kputw(c->isize, &str); kputc('\t', &str);
+       if (c->l_qseq) {
+               for (i = 0; i < c->l_qseq; ++i) kputc(bam_nt16_rev_table[bam1_seqi(s, i)], &str);
+               kputc('\t', &str);
+               if (t[0] == 0xff) kputc('*', &str);
+               else for (i = 0; i < c->l_qseq; ++i) kputc(t[i] + 33, &str);
+       } else kputsn("*\t*", 3, &str);
+       s = bam1_aux(b);
+       while (s < b->data + b->data_len) {
+               uint8_t type, key[2];
+               key[0] = s[0]; key[1] = s[1];
+               s += 2; type = *s; ++s;
+               kputc('\t', &str); kputsn((char*)key, 2, &str); kputc(':', &str);
+               if (type == 'A') { kputsn("A:", 2, &str); kputc(*s, &str); ++s; }
+               else if (type == 'C') { kputsn("i:", 2, &str); kputw(*s, &str); ++s; }
+               else if (type == 'c') { kputsn("i:", 2, &str); kputw(*(int8_t*)s, &str); ++s; }
+               else if (type == 'S') { kputsn("i:", 2, &str); kputw(*(uint16_t*)s, &str); s += 2; }
+               else if (type == 's') { kputsn("i:", 2, &str); kputw(*(int16_t*)s, &str); s += 2; }
+               else if (type == 'I') { kputsn("i:", 2, &str); kputuw(*(uint32_t*)s, &str); s += 4; }
+               else if (type == 'i') { kputsn("i:", 2, &str); kputw(*(int32_t*)s, &str); s += 4; }
+               else if (type == 'f') { ksprintf(&str, "f:%g", *(float*)s); s += 4; }
+               else if (type == 'd') { ksprintf(&str, "d:%lg", *(double*)s); s += 8; }
+               else if (type == 'Z' || type == 'H') { kputc(type, &str); kputc(':', &str); while (*s) kputc(*s++, &str); ++s; }
+               else if (type == 'B') {
+                       uint8_t sub_type = *(s++);
+                       int32_t n;
+                       memcpy(&n, s, 4);
+                       s += 4; // no point to the start of the array
+                       kputc(type, &str); kputc(':', &str); kputc(sub_type, &str); // write the typing
+                       for (i = 0; i < n; ++i) {
+                               kputc(',', &str);
+                               if ('c' == sub_type || 'c' == sub_type) { kputw(*(int8_t*)s, &str); ++s; }
+                               else if ('C' == sub_type) { kputw(*(uint8_t*)s, &str); ++s; }
+                               else if ('s' == sub_type) { kputw(*(int16_t*)s, &str); s += 2; }
+                               else if ('S' == sub_type) { kputw(*(uint16_t*)s, &str); s += 2; }
+                               else if ('i' == sub_type) { kputw(*(int32_t*)s, &str); s += 4; }
+                               else if ('I' == sub_type) { kputuw(*(uint32_t*)s, &str); s += 4; }
+                               else if ('f' == sub_type) { ksprintf(&str, "%g", *(float*)s); s += 4; }
+                       }
+               }
+       }
+       return str.s;
+}
+
+char *bam_format1(const bam_header_t *header, const bam1_t *b)
+{
+       return bam_format1_core(header, b, BAM_OFDEC);
+}
+
+void bam_view1(const bam_header_t *header, const bam1_t *b)
+{
+       char *s = bam_format1(header, b);
+       puts(s);
+       free(s);
+}
+
+int bam_validate1(const bam_header_t *header, const bam1_t *b)
+{
+       char *s;
+
+       if (b->core.tid < -1 || b->core.mtid < -1) return 0;
+       if (header && (b->core.tid >= header->n_targets || b->core.mtid >= header->n_targets)) return 0;
+
+       if (b->data_len < b->core.l_qname) return 0;
+       s = memchr(bam1_qname(b), '\0', b->core.l_qname);
+       if (s != &bam1_qname(b)[b->core.l_qname-1]) return 0;
+
+       // FIXME: Other fields could also be checked, especially the auxiliary data
+
+       return 1;
+}
+
+// FIXME: we should also check the LB tag associated with each alignment
+const char *bam_get_library(bam_header_t *h, const bam1_t *b)
+{
+       const uint8_t *rg;
+       if (h->dict == 0) h->dict = sam_header_parse2(h->text);
+       if (h->rg2lib == 0) h->rg2lib = sam_header2tbl(h->dict, "RG", "ID", "LB");
+       rg = bam_aux_get(b, "RG");
+       return (rg == 0)? 0 : sam_tbl_get(h->rg2lib, (const char*)(rg + 1));
+}