☰

提取列中字符串的一部分并保留其他列

tag-icon • tag-icon awk grep
提取列中字符串的一部分并保留其他列

我有一个制表符分隔的文件，其中包含许多行，如下所示：

1    ILM-rs199    info1    info2    info3
2    aws-rs2778   info4    info5    info6
3    345-678945   info7    info8    info9
4    aws-rs789    info10   info11   info-rs789

我想提取第二列和第四列，在第二列中我只想要以 rs 开头的字符串及其后面的数字，如下所示：

rs199    info2
rs2778   info5
rs789    info11

我能够使用以下命令单独提取第二列：

egrep -o 'rs[0-9]*' filename

给出

rs199 
rs2778
rs789

但当我还必须保留其他列时我陷入了困境

我正在考虑在 awk 中使用egrep（用于提取第二列中的 rs 编号），但无法完成它。

答案1

$ # assuming `rs[digits]` string will match only in 2nd column
$ # string matched within () will get printed
$ perl -lne 'print /(rs\d+\t)[^\t]+\t([^\t]+)/' ip.txt
rs199   info2
rs2778  info5

$ # to match from 2nd column only
$ perl -lne 'print /^[^\t]+\t[^\t]*(rs\d+\t)[^\t]+\t([^\t]+)/' ip.txt
rs199   info2
rs2778  info5

$ # to get some other column, say 2nd and 5th
$ perl -lne 'print /^[^\t]+\t[^\t]*(rs\d+\t)(?:[^\t]+\t){2}([^\t]+)/' ip.txt
rs199   info3
rs2778  info6

仅在找到匹配项时才打印：

$ perl -lne '/^[^\t]+\t[^\t]*(rs\d+\t)(?:[^\t]+\t){1}([^\t]+)/ && print $1,$2' ip.txt
rs199   info2
rs2778  info5
$ perl -lne '/^[^\t]+\t[^\t]*(rs\d+\t)(?:[^\t]+\t){2}([^\t]+)/ && print $1,$2' ip.txt
rs199   info3
rs2778  info6


以前的解决方案，其中要提取的字符串彼此相邻

$ # assuming the shell being used supports $'' strings
$ grep -o $'rs[0-9]*\t[^\t]*' ip.txt
rs199   info1
rs2778  info4

答案2

以下是一些选项：

  1. awk

    $ awk -vOFS="\t" '{sub(/.*-/,"",$2);print $2,$4}' file 
rs199   info1
rs2778  info3

    这将删除-第二个字段中第一个字段之前的所有内容，然后打印生成的第二个字段和第四个字段。

  2. 珀尔

    $ perl -pe 's/.*?-*(rs\d+\t)\S+\t(\S+).*/$1\t$2/' file 
rs199   info2
rs2778  info5

    如上所述，如果您可以rs在第一个字段中包含该内容，则此操作将会失败。更稳健的方法是：

    $ perl -F'\t' -lane '$F[1]=~s/.+-//; print join "\t",@F[1,3]' file
rs199   info2
rs2778  info5

    这会删除-第二个字段中 之前的所有字符（如果第二个字段没有 ，则不会执行任何操作-），然后打印第二个和第四个字段。

答案3

我已经通过以下方法完成了

输入文件

ILM-rs199    info1    info2    info3
aws-rs2778   info4    info5    info6
345-678945   info7    info8    info9
aws-rs789    info10   info11   info-rs789

命令

awk -F "-" '{print $1,$2,$3,$4,$5}' inputfile | awk '$2 ~ /^rs[0-9]/{print $2,$4}'

输出

rs199 info2
rs2778 info5
rs789 info11

相关内容