☰

sed 与数值量词 - 如何？

tag-icon • tag-icon sed regular-expression
sed 与数值量词 - 如何？

我正在尝试编辑多个文件的 fasta 标头，以便删除正斜杠及其后面的所有内容（只要“后面的所有内容”等于或小于 10 个字符）。标题行用“>”标记。

for i in ./*.fa;do sed -r 's/(>.*)\/.\{,10\}\n/\1\n/' "$i"; done

我也尝试过

for i in ./*.fa;do sed -r 's/(>.*)\/.{,10}\n/\1\n/' "$i"; done

但情况似乎并没有好转。我的直觉是 {,10} 量词破坏了一切。但我不确定。非常感谢您的帮助！

例如，如果文件中有以下内容：

>header1_some_extra_data_here/1-1000
ATGCGGGTACCCCA
>code/header2_some_extra_data
AGGTCCCCGGGAAAAA

我希望输出如下：

>header1_some_extra_data_here
ATGCGGGTACCCCA
>code/header2_some_extra_data
AGGTCCCCGGGAAAAA

答案1

您的sed替换将无法按预期工作，因为您永远无法匹配输入数据中的换行符。这是因为sed逐行读取文件，即使用换行符作为分隔符，并且表达式将单独应用于行，而不使用分隔换行符。

相反，稍微改变你的代码：

for fasta in ./*.fa; do
    sed 's;^\(>.*\)/.\{0,10\}$;\1;' "$fasta"
done

我所做的一些改变是：

  1. 用作命令;的分隔符s///而不是默认的/。这让我们无法逃避/模式中的问题。几乎任何字符都可以用作分隔符，但应该选择一个不会出现在模式或替换文本中的字符。
  2. 仅使用标准的基本正则表达式语法。在您的模式中，(...)是扩展正则表达式语法，\{...\}是基本正则表达式语法。我决定使用基本语法来实现可移植性。这也意味着放弃-r在 GNU 中启用扩展语法的选项sed。
  3. 分别使用 和 将图案锚定到线条的开头和^结尾$。
  4. 不要尝试在替换位中插入换行符。

另一种更短的sed表达方式是

sed '/^>/s;/.\{0,10\}$;;'

这会将替换应用于以该>字符开头的所有行（/^>/充当后续s///命令的“地址”）。替换只是删除/及其后面到行尾的位如果该位的长度为 10 个字符或更少。

答案2

这是一种稍微不同的方法：

  1. 将输出保存到新文件：

    for file in *fa; do 
     sed -E 's|^\s*(>.{10,}.*)/.*|\1|' "$file" > "$file.fixed"; 
 done

  2. 就地编辑文件：

    sed -i -E 's|^\s*(>.{10,}.*)/.*|\1|' *.fa

该-E选项启用扩展正则表达式。这让我们可以用于()捕获和{}重复，而无需转义它们。为了清楚起见，我还将分隔符更改为|，并添加了^\s*（请注意，您的 可能不支持这一点sed；如果不支持，您可以^ *改为使用），因为有时您可以在 之前有空格>它），因为有时在 fasta 文件

然后，技巧是匹配 a>后跟 10 个或更多字符，直到 a /，用括号捕获这些字符，使它们成为\1并仅用匹配的部分替换整行。

请注意，这将找到最长的 >10 个字符，直到最后一个/。因此，如果同一行有多个/，则将保留除最后一个之外的所有内容。例如：

$ echo ">header1_some_extra_data_here/1-1000/foo/bar/baz" | 
    sed -E 's|^\s*(>.{10,}.*)/.*|\1|' 
>header1_some_extra_data_here/1-1000/foo/bar

为了避免这种情况，并删除第一个字符之后的所有内容/（只要您已经匹配了 10 个字符），请使用：

sed -E 's|^\s*(>.{10}[^/]*)/.*|\1|'

相关内容