主页 / unix / 问题 / 673982
Accepted
moth
Asked: 2021-10-21 00:42:35 +0800 CST

使用 sed 捕获组

  • 772

我有一个看起来像这样的文件：

chr1    3143567 3143568 .3-2704 1.000000|ENSMUSG00000102693.2
chr1    3143599 3143600 .3-2705 1.000000|ENSMUSG00000102693.2
chr1    3143631 3143632 .3-2706 1.000000|ENSMUSG00000102693.2
chr1    3143663 3143664 .3-2707 1.000000|ENSMUSG00000102693.2
chr1    3143695 3143696 .3-2708 1.000000|ENSMUSG00000102693.2
chr1    3143727 3143728 .3-2709 1.000000|ENSMUSG00000102693.2

我正在编写 2 个 sed 表达式来过滤|第一个之前的所有内容，并使用结果文件我丢弃之后的所有内容，.如下所示：

sed -n -e 's/^.*|//p' original_file.txt > first_result.txt

sed -n -e 's/\..*//p' first_result.txt > final_result.txt

我怎样才能将所有这些写在一行中？

最终目标是捕获ENSMUSG00000102693

sed bioinformatics

3 个回答

  1. Best Answer

    您的命令将丢弃不包含|字符的行，以及鼠标基因标识符没有版本号的行。我不确定这是有意的，但这是在命令上sed -n使用p标志的副作用。s我会假设这是无意的。

    只需使用两个表达式sed：

    sed -e 's/.*|//' -e 's/\..*//' file >newfile

    使用grep具有非标准-o选项的命令，并假设您只想从文件中提取所有 Ensembl 小鼠基因稳定 ID（并且该文件仅包含您要提取的稳定 ID），

    grep -o 'ENSMUSG[[:digit:]]*' file >newfile

    您还可以使用两个链式cut命令，每个命令都对数据进行类似的修改，就像sed本答案前面的两个替换一样。使用静态剪切可能比使用正则表达式更快，但我怀疑你会看到任何主要的速度差异，除非你的输入数据很大。

    cut -d '|' -f 2 file | cut -d '.' -f 1 >newfile
    • 5

  2. 您可以使用如下的单个sed表达式。将所有内容匹配到最后一个|以忽略，然后捕获最后一个之前的部分.并将其排除在结果中。在任何支持 POSIX BRE 的 sed 上

    sed 's/.*|\([^.]*\)\..*/\1/'

    如果首选 awk，

    awk -F'[|.]' '{ print $(NF-1) }'
    • 4

  3. 您可以使用 GNU grep（它的性能似乎比 GNU 稍好sed）：

    $ grep -Po '(?<=\|)[^|.]+' first_result.txt 
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
    • 该模式的(?<=\|)[^|.]+意思是“查找所有不是 a|或.( [^|.]+) 的字符，从（并且不包括）初始|( (?<=\|)) 开始”。

    与sed：

    $ sed 's/.*|\([^|]\+\)\..*/\1/' first_result.txt  
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
ENSMUSG00000102693
    • 该模式的.*|\([^|]\+\)\..*意思是“删除|和.( .*|, \..*) 之间的所有字符并捕获 ( \([^|]\+\)) 之间的内容，最后用捕获的模式 ( ) 替换所有字符/\1/。

    或者更简洁地说：

    $ sed -E 's/.*\|([^|]+)\..*/\1/'
    • 4

相关问题