主页 / unix / 问题 / 698072
Accepted
Callahan McGovern
Asked: 2022-04-06 06:01:55 +0800 CST

如何删除文件中每次出现的“>”和“细菌”一词之间的部分？

  • 772

我想删除文件中每次出现的the>和 word之间的部分。Bacteria

  • 这是输入的示例： 
    >AADV02000003.105686.107093 Bacteria;Cyanobacteria;Cyanobacteriia;Cyanobacteriales;
  • 结果应如下所示： 
    >Bacteria;Cyanobacteria;Cyanobacteriia;Cyanobacteriales;

这是一个 FASTA 文件（仿生信息学中的一种常见文件格式），因此>始终是该行中的第一个非空白字符，并且该行中只有一个这样的字符。

我正在考虑使用sed，但我不确定如何设置命令。感谢您的帮助。

text-processing bioinformatics

6 个回答

  1. Best Answer

    假设这是一个 fasta 文件，具有多个标题和序列行，其中标题以 a 开头，>并且>只能作为行的第一个非空白字符出现，您可以执行以下操作：

    sed 's/^ *>[^ ]* />/' file.fa

    这将查找以 0 个或多个空格开头然后是 a>的行，并将从行的开头、到>和直到第一个空格的所有内容替换为>，有效地删除第一个空格之前的所有内容。

    要编辑原始文件而不是将其打印到标准输出，请使用：

    sed -i.bak 's/^ *>[^ ]* />/' file.fa

    这将创建一个名为的文件，该文件file.fa.bak将是原始文件的副本。

    • 3

  2. 使用sed

    $ sed 's/[A-Z][^ ]* //' input_file
>Bacteria;Cyanobacteria;Cyanobacteriia;Cyanobacteriales;
    • 1

  3. 使用Raku（以前称为 Perl_6）

    raku -pe 's/^ \> <(.+?)> Bacteria\; //;'

    简而言之，使用了 Raku 的-pe自动打印逐行标志，以及熟悉的s///替换运算符。运算符的左半部分搜索 4 个正则表达式原子，零宽度^的字符串原子开头，反斜杠转义\>，一次或多次非贪婪的.+?任意字符，后跟单词Bacteria\;。

    非贪婪.+?原子被包裹在<(...)>中，这是 Raku 的捕获标记。搜索所有四个原子（元素），但仅在<(.+?)>替换运算符的右半部分捕获替换。

    最后，替换运算符的右半部分不包含任何字符，这告诉 Raku 进行捕获并将其删除（'substitute-with-nothing'）。

    样本输入：

    >AADV02000003.105686.107093 Bacteria;Cyanobacteria;Cyanobacteriia;Cyanobacteriales;

    样本输出：

    >Bacteria;Cyanobacteria;Cyanobacteriia;Cyanobacteriales;

    https://docs.raku.org/language/regexes
    https://raku.org/

    • 0

  4. Gnu sed：

    $ sed -E 's/>\S+/>/' file
    • -1

  5. 我会改用grep。如果你只想要细菌线，

    grep -o 'Bact.*$' file.fa

    如果所需的内容可能是第一个空格之后的任何内容，您可以使用（尽管它会包括前导空格）：

    grep -o ' .*$' file.fa

    如果您只想要以“>”开头的行并匹配任何尾随内容，则需要两个步骤：

    grep '^>.*$' file.fa | grep -o ' .*$'

    • -1

  6. 命令：

    sed "s/^>.* />/g" filename

    输出

    >Bacteria;Cyanobacteria;Cyanobacteriia;Cyanobacteriales;

    命令

    awk '{print substr($1,1,1)$2}' filename

    输出

    >Bacteria;Cyanobacteria;Cyanobacteriia;Cyanobacteriales;
    • -1

相关问题