Imported Upstream version 0.2.0
[tabix.git] / index.c
diff --git a/index.c b/index.c
index cc564981ee5696f0d3350298312287c516946f85..b3479fb7b8846f8506b8de98cea97df3fb17ea48 100644 (file)
--- a/index.c
+++ b/index.c
@@ -1,5 +1,6 @@
 #include <ctype.h>
 #include <assert.h>
+#include <sys/stat.h>
 #include "khash.h"
 #include "ksort.h"
 #include "kstring.h"
@@ -41,6 +42,15 @@ struct __ti_index_t {
        ti_lidx_t *index2;
 };
 
+struct __ti_iter_t {
+       int from_first; // read from the first record; no random access
+       int tid, beg, end, n_off, i, finished;
+       uint64_t curr_off;
+       kstring_t str;
+       const ti_index_t *idx;
+       pair64_t *off;
+};
+
 typedef struct {
        int tid, beg, end, bin;
 } ti_intv_t;
@@ -158,9 +168,12 @@ static int get_intv(ti_index_t *idx, kstring_t *str, ti_intv_t *intv)
                                intv->tid = get_tid(idx, str->s + b);
                                if (i != str->l) str->s[i] = '\t';
                        } else if (id == idx->conf.bc) {
-                               // here ->beg is 1-based. it will be changed to 0-based at the end of this routine.
-                               intv->beg = strtol(str->s + b, &s, 0);
-                               if (idx->conf.preset&TI_FLAG_UCSC) ++intv->beg;
+                               // here ->beg is 0-based.
+                               intv->beg = intv->end = strtol(str->s + b, &s, 0);
+                               if (!(idx->conf.preset&TI_FLAG_UCSC)) --intv->beg;
+                               else ++intv->end;
+                               if (intv->beg < 0) intv->beg = 0;
+                               if (intv->end < 1) intv->end = 1;
                        } else {
                                if ((idx->conf.preset&0xffff) == TI_PRESET_GENERIC) {
                                        if (id == idx->conf.ec) intv->end = strtol(str->s + b, &s, 0);
@@ -174,7 +187,8 @@ static int get_intv(ti_index_t *idx, kstring_t *str, ti_intv_t *intv)
                                                        if (op == 'M' || op == 'D' || op == 'N') l += x;
                                                        s = t + 1;
                                                }
-                                               intv->end = intv->beg + l - 1;
+                                               if (l == 0) l = 1;
+                                               intv->end = intv->beg + l;
                                        }
                                } else if ((idx->conf.preset&0xffff) == TI_PRESET_VCF) {
                                        // FIXME: the following is NOT tested and is likely to be buggy
@@ -188,7 +202,7 @@ static int get_intv(ti_index_t *idx, kstring_t *str, ti_intv_t *intv)
                                                                s = t + 1;
                                                        } else ++s;
                                                }
-                                               intv->end = intv->beg + max - 1;
+                                               intv->end = intv->beg + max;
                                        }
                                }
                        }
@@ -197,7 +211,7 @@ static int get_intv(ti_index_t *idx, kstring_t *str, ti_intv_t *intv)
                }
        }
        if (intv->tid < 0 || intv->beg < 0 || intv->end < 0) return -1;
-       intv->bin = ti_reg2bin(intv->beg-1, intv->end);
+       intv->bin = ti_reg2bin(intv->beg, intv->end);
        return 0;
 }
 
@@ -236,9 +250,13 @@ static inline void insert_offset2(ti_lidx_t *index2, int _beg, int _end, uint64_
                index2->offset = (uint64_t*)realloc(index2->offset, index2->m * 8);
                memset(index2->offset + old_m, 0, 8 * (index2->m - old_m));
        }
-       for (i = beg + 1; i <= end; ++i)
-               if (index2->offset[i] == 0) index2->offset[i] = offset;
-       index2->n = end + 1;
+       if (beg == end) {
+               if (index2->offset[beg] == 0) index2->offset[beg] = offset;
+       } else {
+               for (i = beg; i <= end; ++i)
+                       if (index2->offset[i] == 0) index2->offset[i] = offset;
+       }
+       if (index2->n < end + 1) index2->n = end + 1;
 }
 
 static void merge_chunks(ti_index_t *idx)
@@ -262,6 +280,17 @@ static void merge_chunks(ti_index_t *idx)
        } // ~for(i)
 }
 
+static void fill_missing(ti_index_t *idx)
+{
+       int i, j;
+       for (i = 0; i < idx->n; ++i) {
+               ti_lidx_t *idx2 = &idx->index2[i];
+               for (j = 1; j < idx2->n; ++j)
+                       if (idx2->offset[j] == 0)
+                               idx2->offset[j] = idx2->offset[j-1];
+       }
+}
+
 ti_index_t *ti_index_core(BGZF *fp, const ti_conf_t *conf)
 {
        int ret;
@@ -294,10 +323,10 @@ ti_index_t *ti_index_core(BGZF *fp, const ti_conf_t *conf)
                        last_tid = intv.tid;
                        last_bin = 0xffffffffu;
                } else if (last_coor > intv.beg) {
-                       fprintf(stderr, "[ti_index_core] the file is not sorted at line %llu\n", (unsigned long long)lineno);
+                       fprintf(stderr, "[ti_index_core] the file out of order at line %llu\n", (unsigned long long)lineno);
                        exit(1);
                }
-               if (intv.bin < 4681) insert_offset2(&idx->index2[intv.tid], intv.beg, intv.end, last_off);
+               insert_offset2(&idx->index2[intv.tid], intv.beg, intv.end, last_off);
                if (intv.bin != last_bin) { // then possibly write the binning index
                        if (save_bin != 0xffffffffu) // save_bin==0xffffffffu only happens to the first record
                                insert_offset(idx->index[save_tid], save_bin, save_off, last_off);
@@ -316,6 +345,7 @@ ti_index_t *ti_index_core(BGZF *fp, const ti_conf_t *conf)
        }
        if (save_tid >= 0) insert_offset(idx->index[save_tid], save_bin, save_off, bgzf_tell(fp));
        merge_chunks(idx);
+       fill_missing(idx);
 
        free(str->s); free(str);
        return idx;
@@ -523,22 +553,10 @@ static ti_index_t *ti_index_load_core(BGZF *fp)
        return idx;
 }
 
-ti_index_t *ti_index_load_local(const char *_fn)
+ti_index_t *ti_index_load_local(const char *fnidx)
 {
        BGZF *fp;
-       char *fnidx, *fn;
-
-       if (strstr(_fn, "ftp://") == _fn || strstr(_fn, "http://") == _fn) {
-               const char *p;
-               int l = strlen(_fn);
-               for (p = _fn + l - 1; p >= _fn; --p)
-                       if (*p == '/') break;
-               fn = strdup(p + 1);
-       } else fn = strdup(_fn);
-       fnidx = (char*)calloc(strlen(fn) + 5, 1);
-       strcpy(fnidx, fn); strcat(fnidx, ".tbi");
        fp = bgzf_open(fnidx, "r");
-       free(fnidx); free(fn);
        if (fp) {
                ti_index_t *idx = ti_index_load_core(fp);
                bgzf_close(fp);
@@ -584,17 +602,48 @@ static void download_from_remote(const char *url)
 }
 #endif
 
+static char *get_local_version(const char *fn)
+{
+    struct stat sbuf;
+       char *fnidx = (char*)calloc(strlen(fn) + 5, 1);
+       strcat(strcpy(fnidx, fn), ".tbi");
+       if ((strstr(fnidx, "ftp://") == fnidx || strstr(fnidx, "http://") == fnidx)) {
+               char *p, *url;
+               int l = strlen(fnidx);
+               for (p = fnidx + l - 1; p >= fnidx; --p)
+                       if (*p == '/') break;
+               url = fnidx; fnidx = strdup(p + 1);
+               if (stat(fnidx, &sbuf) == 0) {
+                       free(url);
+                       return fnidx;
+               }
+               fprintf(stderr, "[%s] downloading the index file...\n", __func__);
+               download_from_remote(url);
+               free(url);
+       }
+    if (stat(fnidx, &sbuf) == 0) return fnidx;
+       free(fnidx); return 0;
+}
+
+const char **ti_seqname(const ti_index_t *idx, int *n)
+{
+       const char **names;
+       khint_t k;
+       *n = idx->n;
+       names = calloc(idx->n, sizeof(void*));
+       for (k = kh_begin(idx->tname); k < kh_end(idx->tname); ++k)
+               if (kh_exist(idx->tname, k))
+                       names[kh_val(idx->tname, k)] = kh_key(idx->tname, k);
+       return names;
+}
+
 ti_index_t *ti_index_load(const char *fn)
 {
        ti_index_t *idx;
-       idx = ti_index_load_local(fn);
-       if (idx == 0 && (strstr(fn, "ftp://") == fn || strstr(fn, "http://") == fn)) {
-               char *fnidx = calloc(strlen(fn) + 5, 1);
-               strcat(strcpy(fnidx, fn), ".tbi");
-               fprintf(stderr, "[ti_index_load] attempting to download the remote index file.\n");
-               download_from_remote(fnidx);
-               idx = ti_index_load_local(fn);
-       }
+    char *fname = get_local_version(fn);
+       if (fname == 0) return 0;
+       idx = ti_index_load_local(fname);
+    free(fname);
        if (idx == 0) fprintf(stderr, "[ti_index_load] fail to load BAM index.\n");
        return idx;
 }
@@ -636,12 +685,19 @@ int ti_index_build(const char *fn, const ti_conf_t *conf)
  * parse a region in the format chr:beg-end *
  ********************************************/
 
-int ti_parse_region(ti_index_t *idx, const char *str, int *tid, int *begin, int *end)
+int ti_get_tid(const ti_index_t *idx, const char *name)
+{
+       khiter_t iter;
+       const khash_t(s) *h = idx->tname;
+       iter = kh_get(s, h, name); /* get the tid */
+       if (iter == kh_end(h)) return -1;
+       return kh_value(h, iter);
+}
+
+int ti_parse_region(const ti_index_t *idx, const char *str, int *tid, int *begin, int *end)
 {
        char *s, *p;
        int i, l, k;
-       khiter_t iter;
-       khash_t(s) *h = idx->tname;
        l = strlen(str);
        p = s = (char*)malloc(l+1);
        /* squeeze out "," */
@@ -650,12 +706,10 @@ int ti_parse_region(ti_index_t *idx, const char *str, int *tid, int *begin, int
        s[k] = 0;
        for (i = 0; i != k; ++i) if (s[i] == ':') break;
        s[i] = 0;
-       iter = kh_get(s, h, s); /* get the tid */
-       if (iter == kh_end(h)) { // name not found
-               *tid = -1; free(s);
+       if ((*tid = ti_get_tid(idx, s)) < 0) {
+               free(s);
                return -1;
        }
-       *tid = kh_value(h, iter);
        if (i == k) { /* dump the whole sequence */
                *begin = 0; *end = 1<<29; free(s);
                return 0;
@@ -681,6 +735,8 @@ int ti_parse_region(ti_index_t *idx, const char *str, int *tid, int *begin, int
 static inline int reg2bins(uint32_t beg, uint32_t end, uint16_t list[MAX_BIN])
 {
        int i = 0, k;
+       if (beg >= end) return 0;
+       if (end >= 1u<<29) end = 1u<<29;
        --end;
        list[i++] = 0;
        for (k =    1 + (beg>>26); k <=    1 + (end>>26); ++k) list[i++] = k;
@@ -691,13 +747,15 @@ static inline int reg2bins(uint32_t beg, uint32_t end, uint16_t list[MAX_BIN])
        return i;
 }
 
-static inline int is_overlap(int32_t beg, int32_t end, int rbeg, int rend)
+ti_iter_t ti_iter_first()
 {
-       return (rend > beg && rbeg < end);
+       ti_iter_t iter;
+       iter = calloc(1, sizeof(struct __ti_iter_t));
+       iter->from_first = 1;
+       return iter;
 }
 
-// ti_fetch helper function retrieves 
-pair64_t *get_chunk_coordinates(const ti_index_t *idx, int tid, int beg, int end, int* cnt_off)
+ti_iter_t ti_iter_query(const ti_index_t *idx, int tid, int beg, int end)
 {
        uint16_t *bins;
        int i, n_bins, n_off;
@@ -705,17 +763,34 @@ pair64_t *get_chunk_coordinates(const ti_index_t *idx, int tid, int beg, int end
        khint_t k;
        khash_t(i) *index;
        uint64_t min_off;
-
+       ti_iter_t iter = 0;
+
+       if (beg < 0) beg = 0;
+       if (end < beg) return 0;
+       // initialize the iterator
+       iter = calloc(1, sizeof(struct __ti_iter_t));
+       iter->idx = idx; iter->tid = tid; iter->beg = beg; iter->end = end; iter->i = -1;
+       // random access
        bins = (uint16_t*)calloc(MAX_BIN, 2);
        n_bins = reg2bins(beg, end, bins);
        index = idx->index[tid];
-       min_off = (beg>>TAD_LIDX_SHIFT >= idx->index2[tid].n)? 0 : idx->index2[tid].offset[beg>>TAD_LIDX_SHIFT];
+       if (idx->index2[tid].n > 0) {
+               min_off = (beg>>TAD_LIDX_SHIFT >= idx->index2[tid].n)? idx->index2[tid].offset[idx->index2[tid].n-1]
+                       : idx->index2[tid].offset[beg>>TAD_LIDX_SHIFT];
+               if (min_off == 0) { // improvement for index files built by tabix prior to 0.1.4
+                       int n = beg>>TAD_LIDX_SHIFT;
+                       if (n > idx->index2[tid].n) n = idx->index2[tid].n;
+                       for (i = n - 1; i >= 0; --i)
+                               if (idx->index2[tid].offset[i] != 0) break;
+                       if (i >= 0) min_off = idx->index2[tid].offset[i];
+               }
+       } else min_off = 0; // tabix 0.1.2 may produce such index files
        for (i = n_off = 0; i < n_bins; ++i) {
                if ((k = kh_get(i, index, bins[i])) != kh_end(index))
                        n_off += kh_value(index, k).n;
        }
        if (n_off == 0) {
-               free(bins); return 0;
+               free(bins); return iter;
        }
        off = (pair64_t*)calloc(n_off, 16);
        for (i = n_off = 0; i < n_bins; ++i) {
@@ -746,44 +821,125 @@ pair64_t *get_chunk_coordinates(const ti_index_t *idx, int tid, int beg, int end
                        n_off = l + 1;
                }
        }
-       *cnt_off = n_off;
-       return off;
+       iter->n_off = n_off; iter->off = off;
+       return iter;
 }
 
-int ti_fetch(BGZF *fp, const ti_index_t *idx, int tid, int beg, int end, void *data, ti_fetch_f func)
+const char *ti_iter_read(BGZF *fp, ti_iter_t iter, int *len)
 {
-       int n_off;
-       pair64_t *off = get_chunk_coordinates(idx, tid, beg, end, &n_off);
-       if (off == 0) return 0;
-       {
-               // retrive alignments
-               uint64_t curr_off;
-               int i, ret, n_seeks;
-               kstring_t *str = calloc(1, sizeof(kstring_t));
-               n_seeks = 0; i = -1; curr_off = 0;
-               for (;;) {
-                       if (curr_off == 0 || curr_off >= off[i].v) { // then jump to the next chunk
-                               if (i == n_off - 1) break; // no more chunks
-                               if (i >= 0) assert(curr_off == off[i].v); // otherwise bug
-                               if (i < 0 || off[i].v != off[i+1].u) { // not adjacent chunks; then seek
-                                       bgzf_seek(fp, off[i+1].u, SEEK_SET);
-                                       curr_off = bgzf_tell(fp);
-                                       ++n_seeks;
-                               }
-                               ++i;
+       if (iter->finished) return 0;
+       if (iter->from_first) {
+               int ret;
+               if ((ret = ti_readline(fp, &iter->str)) < 0) {
+                       iter->finished = 1;
+                       return 0;
+               } else {
+                       if (len) *len = iter->str.l;
+                       return iter->str.s;
+               }
+       }
+       if (iter->n_off == 0) return 0;
+       while (1) {
+               int ret;
+               if (iter->curr_off == 0 || iter->curr_off >= iter->off[iter->i].v) { // then jump to the next chunk
+                       if (iter->i == iter->n_off - 1) break; // no more chunks
+                       if (iter->i >= 0) assert(iter->curr_off == iter->off[iter->i].v); // otherwise bug
+                       if (iter->i < 0 || iter->off[iter->i].v != iter->off[iter->i+1].u) { // not adjacent chunks; then seek
+                               bgzf_seek(fp, iter->off[iter->i+1].u, SEEK_SET);
+                               iter->curr_off = bgzf_tell(fp);
                        }
-                       if ((ret = ti_readline(fp, str)) >= 0) {
-                               ti_intv_t intv;
-                               curr_off = bgzf_tell(fp);
-                               if (str->s[0] == idx->conf.meta_char) continue;
-                               get_intv((ti_index_t*)idx, str, &intv);
-                               if (intv.tid != tid || intv.beg >= end) break; // no need to proceed
-                               else if (is_overlap(beg, end, intv.beg, intv.end)) func(str->l, str->s, data);
-                       } else break; // end of file
+                       ++iter->i;
                }
-//             fprintf(stderr, "[ti_fetch] # seek calls: %d\n", n_seeks);
-               free(str->s); free(str);
+               if ((ret = ti_readline(fp, &iter->str)) >= 0) {
+                       ti_intv_t intv;
+                       iter->curr_off = bgzf_tell(fp);
+                       if (iter->str.s[0] == iter->idx->conf.meta_char) continue;
+                       get_intv((ti_index_t*)iter->idx, &iter->str, &intv);
+                       if (intv.tid != iter->tid || intv.beg >= iter->end) break; // no need to proceed
+                       else if (intv.end > iter->beg && iter->end > intv.beg) {
+                               if (len) *len = iter->str.l;
+                               return iter->str.s;
+                       }
+               } else break; // end of file
+       }
+       iter->finished = 1;
+       return 0;
+}
+
+void ti_iter_destroy(ti_iter_t iter)
+{
+       if (iter) {
+               free(iter->str.s); free(iter->off);
+               free(iter);
+       }
+}
+
+int ti_fetch(BGZF *fp, const ti_index_t *idx, int tid, int beg, int end, void *data, ti_fetch_f func)
+{
+       ti_iter_t iter;
+       const char *s;
+       int len;
+       iter = ti_iter_query(idx, tid, beg, end);
+       while ((s = ti_iter_read(fp, iter, &len)) != 0)
+               func(len, s, data);
+       ti_iter_destroy(iter);
+       return 0;
+}
+
+/*******************
+ * High-level APIs *
+ *******************/
+
+tabix_t *ti_open(const char *fn, const char *fnidx)
+{
+       tabix_t *t;
+       BGZF *fp;
+       if ((fp = bgzf_open(fn, "r")) == 0) return 0;
+       t = calloc(1, sizeof(tabix_t));
+       t->fn = strdup(fn);
+       if (fnidx) t->fnidx = strdup(fnidx);
+       t->fp = fp;
+       return t;
+}
+
+void ti_close(tabix_t *t)
+{
+       if (t) {
+               bgzf_close(t->fp);
+               if (t->idx) ti_index_destroy(t->idx);
+               free(t->fn); free(t->fnidx);
+               free(t);
+       }
+}
+
+int ti_lazy_index_load(tabix_t *t)
+{
+       if (t->idx == 0) { // load index
+               if (t->fnidx) t->idx = ti_index_load_local(t->fnidx);
+               else t->idx = ti_index_load(t->fn);
+               if (t->idx == 0) return -1; // fail to load index
        }
-       free(off);
        return 0;
 }
+
+ti_iter_t ti_queryi(tabix_t *t, int tid, int beg, int end)
+{
+       if (tid < 0) return ti_iter_first();
+       if (ti_lazy_index_load(t) != 0) return 0;
+       return ti_iter_query(t->idx, tid, beg, end);    
+}
+
+ti_iter_t ti_query(tabix_t *t, const char *name, int beg, int end)
+{
+       int tid;
+       if (name == 0) return ti_iter_first();
+       // then need to load the index
+       if (ti_lazy_index_load(t) != 0) return 0;
+       if ((tid = ti_get_tid(t->idx, name)) < 0) return 0;
+       return ti_iter_query(t->idx, tid, beg, end);
+}
+
+const char *ti_read(tabix_t *t, ti_iter_t iter, int *len)
+{
+       return ti_iter_read(t->fp, iter, len);
+}