有以下形式的文本：
>xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
xxxxxxxxxxxxxxxxxx
>xxxxxxxxxxxxxx
xxxxxxxxx
>
如果中间符号>xxx...的数量少于 100 个，我需要正则表达式匹配所有符号。我该怎么做？x>
实际问题是：当尝试使用多个病毒的参考序列对 fasta 文件进行索引时，出现“smalt.c:334 错误：序列太短，无法进行哈希处理”。以前，当文件中只有较长的序列时，它可以正常工作。
我还没有找到解决 smalt 错误的办法（即使找到了，我也希望先使用默认设置运行它），所以
我需要从参考文件中删除所有较短的参考序列。
答案1
您可以使用grep它来仅提供文件中相隔超过 100 个字符的部分>，然后将结果写入新文件（然后应该与 fasta 一起使用）：
grep -Pzo '>[^>]{100,}' fasta.txt > fasta_wo_short_genes.txt
解释：
-P告诉 grep 接受珍珠正则表达式（由于某种原因，我无法让它与普通的 grep 正则表达式一起工作）z告诉 grep 将整个文件视为一行o告诉 grep 仅输出匹配的部分（否则，由于该z标志，如果找到任何匹配项，它将始终输出整个文件）
正则表达式：
>病毒基因序列之间的字符[^>]匹配除以下字符之外的任何字符>{100,}匹配前一个表达式的 100 次或更多次重复（在本例中[^>]）