☰

从特定列中提取字符串的一部分

tag-icon • tag-icon text-processing awk sed
从特定列中提取字符串的一部分

我有以下文件作为输入：

chr1    HAVANA  exon    11869   12227   .   +   .   gene_id "ENSG00000223972.5_2"; transcript_id "ENST00000456328.2_1"; gene_type "transcribed_unprocessed_pseudogene"; gene_name "DDX11L1"; transcript_type "processed_transcript"; transcript_name "DDX11L1-002"; exon_number 1; exon_id "ENSE00002234944.1_1"; level 2; transcript_support_level 1; tag "basic"; havana_gene "OTTHUMG00000000961.2_2"; havana_transcript "OTTHUMT00000362751.1_1"; remap_original_location "chr1:+:11869-12227"; remap_status "full_contig";
chr1    HAVANA  exon    12010   12057   .   +   .   gene_id "ENSG00000223972.5_2"; transcript_id "ENST00000450305.2_1"; gene_type "transcribed_unprocessed_pseudogene"; gene_name "DDX11L1"; transcript_type "transcribed_unprocessed_pseudogene"; transcript_name "DDX11L1-001"; exon_number 1; exon_id "ENSE00001948541.1_1"; level 2; transcript_support_level "NA"; ont "PGO:0000005"; ont "PGO:0000019"; tag "basic"; havana_gene "OTTHUMG00000000961.2_2"; havana_transcript "OTTHUMT00000002844.2_1"; remap_original_location "chr1:+:12010-12057"; remap_status "full_contig";

这是一个由制表符分隔的 9 列文件。

我想打印第 1,4,5,7 列和第 9 列的gene_name 部分，这样输出应该是

chr1    11869   12227   +   DDX11L1
chr1    12010   12057   +   DDX11L1

我想过使用 awk 和 sed 组合，但我无法得到我想要的

awk -v OFS="\t" -F "\t" '{print $1,$4,$5,$7,$9}' | sed 's/gene_name\s"\(.+\)";\stran*/\1/'

任何帮助，将不胜感激。

谢谢

答案1

如果您有 GNU awk，您可以使用gensub合适的正则表达式进行替换，例如假设所有内容gene_id都是单个制表符分隔的字段 9：

gawk -F '\t' '{$9 = gensub(/.*gene_name "([^"]*)".*/,"\\1","1",$9); print $1,$4,$5,$7,$9}' input
chr1 11869 12227 + DDX11L1
chr1 12010 12057 + DDX11L1

答案2

与多个分隔符一起使用awk。

 awk -F"[\" \t]" '{print $1,$11,$14,$20,$40}' infile.txt

答案3

awk使用空格作为分隔符。

尝试这个：

$ awk '{print $1, $4, $5, $7, substr($16, 2, 7) }' file
chr1 11869 12227 + DDX11L1
chr1 12010 12057 + DDX11L1

相关内容