![提取字符串一部分的最简单方法?](https://linux22.com/image/156976/%E6%8F%90%E5%8F%96%E5%AD%97%E7%AC%A6%E4%B8%B2%E4%B8%80%E9%83%A8%E5%88%86%E7%9A%84%E6%9C%80%E7%AE%80%E5%8D%95%E6%96%B9%E6%B3%95%EF%BC%9F.png)
我有一个文件(bigfile.txt),其中一列如下所示
NW_017095471.1 Gnomon mRNA 108321 109565 . + . ID=rna34;Parent=gene27;Dbxref=GeneID:108565285,Genbank:XM_017925071.1;Name=XM_017925071.1;gbkey=mRNA;gene=LOC108565285;model_evidence=Supporting evidence includes similarity to: 7 Proteins%2C and 100%25 coverage of the annotated genomic feature by RNAseq alignments%2C including 30 samples with support for all annotated introns;product=transmembrane protein 126A;transcript_id=XM_017925071.1
ID=gene27;Dbxref=GeneID:108565285;Name=LOC108565285;gbkey=Gene;gene=LOC108565285;gene_biotype=protein_coding
ID=gene28;Dbxref=GeneID:108569527;Name=LOC108569527;gbkey=Gene;gene=LOC108569527;gene_biotype=protein_coding
ID=gene78;Dbxref=GeneID:108562956;Name=LOC108562956;gbkey=Gene;gene=LOC108562956;gene_biotype=protein_coding
我有一个单独的列表:
gene27
gene28
我想获取每一行并 grep ID 字段,然后返回“Name=”后面的“LOC#”。
gene=$line
`grep $gene";" bigfile.txt | sed -e 's/Name=
回来
LOC108565285
LOC108569527
我该如何提取这部分?
答案1
假设这是 a 的第 9 个制表符分隔字段GFF文件(“属性”字段),您可以使用以下命令提取与gene
特定属性相对应的属性值(从单独的文件中读取) :ID
awk
BEGIN { FS = "\t" }
FNR == NR {
# Read IDs into a hash as keys.
ids[$1] = 1
next
}
$3 == "gene" {
# Split the attribute field into separate key-value pairs.
n = split($9, keyvalues, ";")
id = "" # Not found a gene ID yet
gene = "" # No gene name to print
# Loop over the key-value pairs, split them on the "="
# and extract the gene name and gene ID.
for (i = 1; i <= n; ++i) {
split(keyvalues[i], attr, "=")
if (attr[1] == "ID") {
if (attr[2] in ids)
id = attr[2]
else
next # This line is not of interest
}
else if (attr[1] == "gene")
gene = attr[2]
}
if (id != "" && gene != "")
print gene
}
在名为的 GFF 文件上运行此文件,file.gff
该文件包含第 9 列中的给定数据,并且基因 ID 列表位于id.list
:
$ awk -f script.awk id.list file.gff
LOC108565285
LOC108569527
基因 ID 列表是从代码FNR == NR
块中的第一个文件中读取的awk
,而最后一个块正在处理命令行上给出的第二个(以及后面所有)文件中的基因特征线的属性字段(仅)。
该awk
代码假定GFF 文件的ID
和gene
属性仅包含单个值(不是以逗号分隔的值列表),并且这些值不带引号。
要获取基因名称和基因 ID(两列)列表形式的输出,请将语句更改print gene
为print id, gene
。
答案2
这需要重构,但应该做你想要的:
while IFS=; read -r line; do grep -Fw "$line" biffile.txt; done < other_file | awk -F';' '{split($3,a,"=");print a[2]}'
答案3
我会使用稍微不同的方法。首先,仅提取 ID 和 Name 字段:
$ sed -nE 's/.*ID=([^;]*).*Name=([^;]*).*/\1 \2/p' file1
gene27 LOC108565285
gene28 LOC108569527
gene78 LOC108562956
然后,使用目标 ID 列表进行过滤:
$ cat file2
gene27
gene28
$ sed -nE 's/.*ID=([^;]*).*Name=([^;]*).*/\1 \2/p' file1 | grep -wf file2
gene27 LOC108565285
gene28 LOC108569527
或者,如果您只想要该LOC....
值,并假设您有 GNU grep
:
$ grep -wf file2 file1 | grep -oP 'Name=\K[^;]+'
LOC108565285
LOC108569527
答案4
通过下面的简单脚本完成
命令
for i in `cat file2`; do awk -v i="$i" -F ";" '$1=="ID="i{print $5}' file1| awk -F "=" '{print $NF}'; done
输出
LOC108565285
LOC108569527