bam_sort.c

   1 #include <stdlib.h>
   2 #include <ctype.h>
   3 #include <assert.h>
   4 #include <errno.h>
   5 #include <stdio.h>
   6 #include <string.h>
   7 #include <unistd.h>
   8 #include "bam.h"
   9 #include "ksort.h"
  10
  11 static int g_is_by_qname = 0;
  12
  13 static inline int strnum_cmp(const char *a, const char *b)
  14 {
  15         char *pa, *pb;
  16         pa = (char*)a; pb = (char*)b;
  17         while (*pa && *pb) {
  18                 if (isdigit(*pa) && isdigit(*pb)) {
  19                         long ai, bi;
  20                         ai = strtol(pa, &pa, 10);
  21                         bi = strtol(pb, &pb, 10);
  22                         if (ai != bi) return ai<bi? -1 : ai>bi? 1 : 0;
  23                 } else {
  24                         if (*pa != *pb) break;
  25                         ++pa; ++pb;
  26                 }
  27         }
  28         if (*pa == *pb)
  29                 return (pa-a) < (pb-b)? -1 : (pa-a) > (pb-b)? 1 : 0;
  30         return *pa<*pb? -1 : *pa>*pb? 1 : 0;
  31 }
  32
  33 #define HEAP_EMPTY 0xffffffffffffffffull
  34
  35 typedef struct {
  36         int i;
  37         uint64_t pos, idx;
  38         bam1_t *b;
  39 } heap1_t;
  40
  41 #define __pos_cmp(a, b) ((a).pos > (b).pos || ((a).pos == (b).pos && ((a).i > (b).i || ((a).i == (b).i && (a).idx > (b).idx))))
  42
  43 static inline int heap_lt(const heap1_t a, const heap1_t b)
  44 {
  45         if (g_is_by_qname) {
  46                 int t;
  47                 if (a.b == 0 || b.b == 0) return a.b == 0? 1 : 0;
  48                 t = strnum_cmp(bam1_qname(a.b), bam1_qname(b.b));
  49                 return (t > 0 || (t == 0 && __pos_cmp(a, b)));
  50         } else return __pos_cmp(a, b);
  51 }
  52
  53 KSORT_INIT(heap, heap1_t, heap_lt)
  54
  55 static void swap_header_text(bam_header_t *h1, bam_header_t *h2)
  56 {
  57         int tempi;
  58         char *temps;
  59         tempi = h1->l_text, h1->l_text = h2->l_text, h2->l_text = tempi;
  60         temps = h1->text, h1->text = h2->text, h2->text = temps;
  61 }
  62
  63 #define MERGE_RG     1
  64 #define MERGE_UNCOMP 2
  65
  66 /*!
  67   @abstract    Merge multiple sorted BAM.
  68   @param  is_by_qname whether to sort by query name
  69   @param  out  output BAM file name
  70   @param  headers  name of SAM file from which to copy '@' header lines,
  71                    or NULL to copy them from the first file to be merged
  72   @param  n    number of files to be merged
  73   @param  fn   names of files to be merged
  74
  75   @discussion Padding information may NOT correctly maintained. This
  76   function is NOT thread safe.
  77  */
  78 int bam_merge_core(int by_qname, const char *out, const char *headers, int n, char * const *fn,
  79                                         int flag, const char *reg)
  80 {
  81         bamFile fpout, *fp;
  82         heap1_t *heap;
  83         bam_header_t *hout = 0;
  84         bam_header_t *hheaders = NULL;
  85         int i, j, *RG_len = 0;
  86         uint64_t idx = 0;
  87         char **RG = 0;
  88         bam_iter_t *iter = 0;
  89
  90         if (headers) {
  91                 tamFile fpheaders = sam_open(headers);
  92                 if (fpheaders == 0) {
  93                         const char *message = strerror(errno);
  94                         fprintf(stderr, "[bam_merge_core] cannot open '%s': %s\n", headers, message);
  95                         return -1;
  96                 }
  97                 hheaders = sam_header_read(fpheaders);
  98                 sam_close(fpheaders);
  99         }
 100
 101         g_is_by_qname = by_qname;
 102         fp = (bamFile*)calloc(n, sizeof(bamFile));
 103         heap = (heap1_t*)calloc(n, sizeof(heap1_t));
 104         iter = (bam_iter_t*)calloc(n, sizeof(bam_iter_t));
 105         // prepare RG tag
 106         if (flag & MERGE_RG) {
 107                 RG = (char**)calloc(n, sizeof(void*));
 108                 RG_len = (int*)calloc(n, sizeof(int));
 109                 for (i = 0; i != n; ++i) {
 110                         int l = strlen(fn[i]);
 111                         const char *s = fn[i];
 112                         if (l > 4 && strcmp(s + l - 4, ".bam") == 0) l -= 4;
 113                         for (j = l - 1; j >= 0; --j) if (s[j] == '/') break;
 114                         ++j; l -= j;
 115                         RG[i] = calloc(l + 1, 1);
 116                         RG_len[i] = l;
 117                         strncpy(RG[i], s + j, l);
 118                 }
 119         }
 120         // read the first
 121         for (i = 0; i != n; ++i) {
 122                 bam_header_t *hin;
 123                 fp[i] = bam_open(fn[i], "r");
 124                 if (fp[i] == 0) {
 125                         int j;
 126                         fprintf(stderr, "[bam_merge_core] fail to open file %s\n", fn[i]);
 127                         for (j = 0; j < i; ++j) bam_close(fp[j]);
 128                         free(fp); free(heap);
 129                         // FIXME: possible memory leak
 130                         return -1;
 131                 }
 132                 hin = bam_header_read(fp[i]);
 133                 if (i == 0) { // the first SAM
 134                         hout = hin;
 135                         if (hheaders) {
 136                                 // If the text headers to be swapped in include any @SQ headers,
 137                                 // check that they are consistent with the existing binary list
 138                                 // of reference information.
 139                                 if (hheaders->n_targets > 0) {
 140                                         if (hout->n_targets != hheaders->n_targets)
 141                                                 fprintf(stderr, "[bam_merge_core] number of @SQ headers in `%s' differs from number of target sequences", headers);
 142                                         for (j = 0; j < hout->n_targets; ++j)
 143                                                 if (strcmp(hout->target_name[j], hheaders->target_name[j]) != 0)
 144                                                         fprintf(stderr, "[bam_merge_core] @SQ header '%s' in '%s' differs from target sequence", hheaders->target_name[j], headers);
 145                                 }
 146                                 swap_header_text(hout, hheaders);
 147                                 bam_header_destroy(hheaders);
 148                                 hheaders = NULL;
 149                         }
 150                 } else { // validate multiple baf
 151                         if (hout->n_targets != hin->n_targets) {
 152                                 fprintf(stderr, "[bam_merge_core] file '%s' has different number of target sequences. Abort!\n", fn[i]);
 153                                 exit(1);
 154                         }
 155                         for (j = 0; j < hout->n_targets; ++j) {
 156                                 if (strcmp(hout->target_name[j], hin->target_name[j])) {
 157                                         fprintf(stderr, "[bam_merge_core] different target sequence name: '%s' != '%s' in file '%s'. Abort!\n",
 158                                                         hout->target_name[j], hin->target_name[j], fn[i]);
 159                                         exit(1);
 160                                 }
 161                         }
 162                         bam_header_destroy(hin);
 163                 }
 164         }
 165
 166         if (reg) {
 167                 int tid, beg, end;
 168                 if (bam_parse_region(hout, reg, &tid, &beg, &end) < 0) {
 169                         fprintf(stderr, "[%s] Malformated region string or undefined reference name\n", __func__);
 170                         return -1;
 171                 }
 172                 for (i = 0; i < n; ++i) {
 173                         bam_index_t *idx;
 174                         idx = bam_index_load(fn[i]);
 175                         iter[i] = bam_iter_query(idx, tid, beg, end);
 176                         bam_index_destroy(idx);
 177                 }
 178         }
 179
 180         for (i = 0; i < n; ++i) {
 181                 heap1_t *h = heap + i;
 182                 h->i = i;
 183                 h->b = (bam1_t*)calloc(1, sizeof(bam1_t));
 184                 if (bam_iter_read(fp[i], iter[i], h->b) >= 0) {
 185                         h->pos = ((uint64_t)h->b->core.tid<<32) | (uint32_t)h->b->core.pos<<1 | bam1_strand(h->b);
 186                         h->idx = idx++;
 187                 }
 188                 else h->pos = HEAP_EMPTY;
 189         }
 190         if (flag & MERGE_UNCOMP) {
 191                 fpout = strcmp(out, "-")? bam_open(out, "wu") : bam_dopen(fileno(stdout), "wu");
 192         } else {
 193                 fpout = strcmp(out, "-")? bam_open(out, "w") : bam_dopen(fileno(stdout), "w");
 194         }
 195         if (fpout == 0) {
 196                 fprintf(stderr, "[%s] fail to create the output file.\n", __func__);
 197                 return -1;
 198         }
 199         bam_header_write(fpout, hout);
 200         bam_header_destroy(hout);
 201
 202         ks_heapmake(heap, n, heap);
 203         while (heap->pos != HEAP_EMPTY) {
 204                 bam1_t *b = heap->b;
 205                 if ((flag & MERGE_RG) && bam_aux_get(b, "RG") == 0)
 206                         bam_aux_append(b, "RG", 'Z', RG_len[heap->i] + 1, (uint8_t*)RG[heap->i]);
 207                 bam_write1_core(fpout, &b->core, b->data_len, b->data);
 208                 if ((j = bam_iter_read(fp[heap->i], iter[heap->i], b)) >= 0) {
 209                         heap->pos = ((uint64_t)b->core.tid<<32) | (uint32_t)b->core.pos<<1 | bam1_strand(b);
 210                         heap->idx = idx++;
 211                 } else if (j == -1) {
 212                         heap->pos = HEAP_EMPTY;
 213                         free(heap->b->data); free(heap->b);
 214                         heap->b = 0;
 215                 } else fprintf(stderr, "[bam_merge_core] '%s' is truncated. Continue anyway.\n", fn[heap->i]);
 216                 ks_heapadjust(heap, 0, n, heap);
 217         }
 218
 219         if (flag & MERGE_RG) {
 220                 for (i = 0; i != n; ++i) free(RG[i]);
 221                 free(RG); free(RG_len);
 222         }
 223         for (i = 0; i != n; ++i) {
 224                 bam_iter_destroy(iter[i]);
 225                 bam_close(fp[i]);
 226         }
 227         bam_close(fpout);
 228         free(fp); free(heap); free(iter);
 229         return 0;
 230 }
 231
 232 int bam_merge(int argc, char *argv[])
 233 {
 234         int c, is_by_qname = 0, flag = 0, ret = 0;
 235         char *fn_headers = NULL, *reg = 0;
 236
 237         while ((c = getopt(argc, argv, "h:nruR:")) >= 0) {
 238                 switch (c) {
 239                 case 'r': flag |= MERGE_RG; break;
 240                 case 'h': fn_headers = strdup(optarg); break;
 241                 case 'n': is_by_qname = 1; break;
 242                 case 'u': flag |= MERGE_UNCOMP; break;
 243                 case 'R': reg = strdup(optarg); break;
 244                 }
 245         }
 246         if (optind + 2 >= argc) {
 247                 fprintf(stderr, "\n");
 248                 fprintf(stderr, "Usage:   samtools merge [-nr] [-h inh.sam] <out.bam> <in1.bam> <in2.bam> [...]\n\n");
 249                 fprintf(stderr, "Options: -n       sort by read names\n");
 250                 fprintf(stderr, "         -r       attach RG tag (inferred from file names)\n");
 251                 fprintf(stderr, "         -u       uncompressed BAM output\n");
 252                 fprintf(stderr, "         -R STR   merge file in the specified region STR [all]\n");
 253                 fprintf(stderr, "         -h FILE  copy the header in FILE to <out.bam> [in1.bam]\n\n");
 254                 fprintf(stderr, "Note: Samtools' merge does not reconstruct the @RG dictionary in the header. Users\n");
 255                 fprintf(stderr, "      must provide the correct header with -h, or uses Picard which properly maintains\n");
 256                 fprintf(stderr, "      the header dictionary in merging.\n\n");
 257                 return 1;
 258         }
 259         if (bam_merge_core(is_by_qname, argv[optind], fn_headers, argc - optind - 1, argv + optind + 1, flag, reg) < 0) ret = 1;
 260         free(reg);
 261         free(fn_headers);
 262         return ret;
 263 }
 264
 265 typedef bam1_t *bam1_p;
 266
 267 static inline int bam1_lt(const bam1_p a, const bam1_p b)
 268 {
 269         if (g_is_by_qname) {
 270                 int t = strnum_cmp(bam1_qname(a), bam1_qname(b));
 271                 return (t < 0 || (t == 0 && (((uint64_t)a->core.tid<<32|a->core.pos) < ((uint64_t)b->core.tid<<32|b->core.pos))));
 272         } else return (((uint64_t)a->core.tid<<32|a->core.pos) < ((uint64_t)b->core.tid<<32|b->core.pos));
 273 }
 274 KSORT_INIT(sort, bam1_p, bam1_lt)
 275
 276 static void sort_blocks(int n, int k, bam1_p *buf, const char *prefix, const bam_header_t *h, int is_stdout)
 277 {
 278         char *name;
 279         int i;
 280         bamFile fp;
 281         ks_mergesort(sort, k, buf, 0);
 282         name = (char*)calloc(strlen(prefix) + 20, 1);
 283         if (n >= 0) sprintf(name, "%s.%.4d.bam", prefix, n);
 284         else sprintf(name, "%s.bam", prefix);
 285         fp = is_stdout? bam_dopen(fileno(stdout), "w") : bam_open(name, "w");
 286         if (fp == 0) {
 287                 fprintf(stderr, "[sort_blocks] fail to create file %s.\n", name);
 288                 free(name);
 289                 // FIXME: possible memory leak
 290                 return;
 291         }
 292         free(name);
 293         bam_header_write(fp, h);
 294         for (i = 0; i < k; ++i)
 295                 bam_write1_core(fp, &buf[i]->core, buf[i]->data_len, buf[i]->data);
 296         bam_close(fp);
 297 }
 298
 299 /*!
 300   @abstract Sort an unsorted BAM file based on the chromosome order
 301   and the leftmost position of an alignment
 302
 303   @param  is_by_qname whether to sort by query name
 304   @param  fn       name of the file to be sorted
 305   @param  prefix   prefix of the output and the temporary files; upon
 306                            sucessess, prefix.bam will be written.
 307   @param  max_mem  approxiate maximum memory (very inaccurate)
 308
 309   @discussion It may create multiple temporary subalignment files
 310   and then merge them by calling bam_merge_core(). This function is
 311   NOT thread safe.
 312  */
 313 void bam_sort_core_ext(int is_by_qname, const char *fn, const char *prefix, size_t max_mem, int is_stdout)
 314 {
 315         int n, ret, k, i;
 316         size_t mem;
 317         bam_header_t *header;
 318         bamFile fp;
 319         bam1_t *b, **buf;
 320
 321         g_is_by_qname = is_by_qname;
 322         n = k = 0; mem = 0;
 323         fp = strcmp(fn, "-")? bam_open(fn, "r") : bam_dopen(fileno(stdin), "r");
 324         if (fp == 0) {
 325                 fprintf(stderr, "[bam_sort_core] fail to open file %s\n", fn);
 326                 return;
 327         }
 328         header = bam_header_read(fp);
 329         buf = (bam1_t**)calloc(max_mem / BAM_CORE_SIZE, sizeof(bam1_t*));
 330         // write sub files
 331         for (;;) {
 332                 if (buf[k] == 0) buf[k] = (bam1_t*)calloc(1, sizeof(bam1_t));
 333                 b = buf[k];
 334                 if ((ret = bam_read1(fp, b)) < 0) break;
 335                 mem += ret;
 336                 ++k;
 337                 if (mem >= max_mem) {
 338                         sort_blocks(n++, k, buf, prefix, header, 0);
 339                         mem = 0; k = 0;
 340                 }
 341         }
 342         if (ret != -1)
 343                 fprintf(stderr, "[bam_sort_core] truncated file. Continue anyway.\n");
 344         if (n == 0) sort_blocks(-1, k, buf, prefix, header, is_stdout);
 345         else { // then merge
 346                 char **fns, *fnout;
 347                 fprintf(stderr, "[bam_sort_core] merging from %d files...\n", n+1);
 348                 sort_blocks(n++, k, buf, prefix, header, 0);
 349                 fnout = (char*)calloc(strlen(prefix) + 20, 1);
 350                 if (is_stdout) sprintf(fnout, "-");
 351                 else sprintf(fnout, "%s.bam", prefix);
 352                 fns = (char**)calloc(n, sizeof(char*));
 353                 for (i = 0; i < n; ++i) {
 354                         fns[i] = (char*)calloc(strlen(prefix) + 20, 1);
 355                         sprintf(fns[i], "%s.%.4d.bam", prefix, i);
 356                 }
 357                 bam_merge_core(is_by_qname, fnout, 0, n, fns, 0, 0);
 358                 free(fnout);
 359                 for (i = 0; i < n; ++i) {
 360                         unlink(fns[i]);
 361                         free(fns[i]);
 362                 }
 363                 free(fns);
 364         }
 365         for (k = 0; k < max_mem / BAM_CORE_SIZE; ++k) {
 366                 if (buf[k]) {
 367                         free(buf[k]->data);
 368                         free(buf[k]);
 369                 }
 370         }
 371         free(buf);
 372         bam_header_destroy(header);
 373         bam_close(fp);
 374 }
 375
 376 void bam_sort_core(int is_by_qname, const char *fn, const char *prefix, size_t max_mem)
 377 {
 378         bam_sort_core_ext(is_by_qname, fn, prefix, max_mem, 0);
 379 }
 380
 381 int bam_sort(int argc, char *argv[])
 382 {
 383         size_t max_mem = 500000000;
 384         int c, is_by_qname = 0, is_stdout = 0;
 385         while ((c = getopt(argc, argv, "nom:")) >= 0) {
 386                 switch (c) {
 387                 case 'o': is_stdout = 1; break;
 388                 case 'n': is_by_qname = 1; break;
 389                 case 'm': max_mem = atol(optarg); break;
 390                 }
 391         }
 392         if (optind + 2 > argc) {
 393                 fprintf(stderr, "Usage: samtools sort [-on] [-m <maxMem>] <in.bam> <out.prefix>\n");
 394                 return 1;
 395         }
 396         bam_sort_core_ext(is_by_qname, argv[optind], argv[optind+1], max_mem, is_stdout);
 397         return 0;
 398 }