☰

命令行：使用 grep 仅获取部分行

tag-icon • tag-icon text-processing
命令行：使用 grep 仅获取部分行

我有一个包含如下行的文件：

1   train   tree    11869   12227   .   +   .   leaf_id "ENSG00000223972"; root_id "ENST00000456328";

我正在搜索的行必须train位于第二列和tree第三列中。

我只想获取引号内的leaf_id以 开头的内容。行的其余部分不相关。我已经尝试使用正则表达式和捕获组进行 grep，但没有成功...ABC

列之间用 分隔\t，而不是空格。请注意，最后一个字段是leaf_id "ENSG00000223972"; root_id "ENST00000456328";，其中的条目之间用空格分隔，而不是制表符。

谢谢

答案1

实际上，您可以使用 GNU 执行此操作grep，只要字符串tree和train分别出现在第二个和第三个字段上，而不是其他任何地方：

$ grep -oP 'train\ttree\t.*leaf_id "\K[^"]+' file
ENSG00000223972

make-o只grep打印该行的匹配部分，并且-P启用 Perl 兼容的正则表达式，为我们提供+和\K。

正则表达式将搜索train，然后是 a \t，然后\tree是 another \t，然后是任何内容，直到找到为止leaf_id "。然后，\K告诉grep我们忘记到目前为止匹配的一切。因此，我们现在寻找"此后最长的非字符段，这将是您要查找的基因名称。

要仅匹配tree和train位于正确的列中，您可以执行以下操作：

$ awk -F'\t' '$2=="train" && $3=="tree"' file | grep -oP 'leaf_id "\K[^"]+'
ENSG00000223972

或者：

$ perl -F'\t' -lane 'if($F[1] eq "train" && $F[2] eq "tree" && $F[8]=~/leaf_id\s+"\K([^"]+)/){print $1}' file
ENSG00000223972

答案2

您可以用于awk此任务。假设您的文件被称为input.tsv，相关命令将是：

awk -F"\t" '$2=="train" && $3=="tree" {split($9,f,"\""); print f[2]}' input.tsv

这会将每个 TAB ( -F"\t") 处的行拆分为单独的字段。如果第二个字段是train且第三个字段是tree，则检查第 9 个字段并打印双引号内的字符串。

后者是通过（错误）使用以下split()命令来实现的：该字段在每个双引号处拆分，并将所有部分保存在数组变量中f。第二个条目f[2]（awk数组通常从 1) 开始是引号内的字符串并被打印（第一个条目f是leaf_id，第三个条目是; root_id等等）。

答案3

使用 sed ：

$ sed -nE 's/^.*train.*tree.*leaf_id "([A-Z][A-Z0-9]*)";.*$/\1/p' file
ENSG00000223972

相关内容