☰

解决方案：

tag-icon • tag-icon text-processing grep awk regular-expression
解决方案：

我有一个文件，其中一行中有几个未排序的内容，我想将其放入一个新文件中这是我拥有的部分文件的示例：

X1314448: SaMi|SM_g2554.t1 SaMi|SM_g5072.t1 Des|Des_g3808.t1 Dul|Dul_comp50786_c0_seq1-1 Nig|Nig_comp88811_c0_seq2-1 AB|AB0003DMP400018076_AB0003DMT400026495 Phy|Phy_comp35647_c0_seq1-1 SWtf|SW_g27807.t1 Tom|Solyc02g077050.2.1
X1314810: Des|Des_g33587.t1 Nig|Nig_comp84357_c0_seq1-1 AB|AB0003DMP400020961_AB0003DMT400030857 Phy|Phy_comp33112_c0_seq1-1 SaMi|SM_g27352.t1 SWtf|SW_g21774.t1 TAIR|AT4G14930.1 Tom|Solyc06g054250.2.1 Dul|Dul_comp63657_c0_seq2-1
X1327159: AB|AB0003DMP400016823_AB0003DMT400024599 AB|AB0003DMP400017933_AB0003DMT400026257 Dul|Dul_comp58749_c0_seq2-1

X1330513: Des|Des_g36886.t1 AB|AB0003DMP400049952_AB0003DMT400073802 SWtf|SW_g16502.t1

X132738: Des|Des_g491.t1 Des|Des_g6171.t1 Dul|Dul_comp57659_c0_seq2-1 Dul|Dul_comp57659_c0_seq3-1 Dul|Dul_comp57659_c0_seq4-1 Ni                                                                       g|Nig_comp93106_c3_seq1-1 Nig|Nig_comp93106_c3_seq2-1 AB|AB0003DMP400005485_AB0003DMT400007895 AB|AB0003DMP400021388_PGS                                                                       C0003DMT400031553 Phy|Phy_comp61931_c0_seq1-1 Phy|Phy_comp61931_c0_seq2-1 Phy|Phy_comp61931_c0_seq3-1 Phy|Phy_comp61931_c0_seq4-1                                                                        RICE|LOC_Os08g43334.1 RICE|LOC_Os08g43334.2 RICE|LOC_Os09g35790.1 RICE|LOC_Os09g35790.2 SaMi|SM_g30888.t1 SaMi|SM_g5888.t1 SWtf|SW                                                                       _g17547.t1 SWtf|SW_g33717.t1 Des|Des_g47565.t1 SaMi|SM_g6027.t1 SWtf|SW_g42019.t1 TAIR|AT5G62020.1 Tom|Solyc03g026020.2.1 TAIR|AT4                                                                       G11660.1

我想要的是第一部分“X1314448：”后跟“Des|Des_g3808.t1”。如果还有另一个“Des_xxx”（在某些情况下有多个，例如倒数第二行） ），我希望也将其包含在内，然后在输出文件中包含“AB | AB00 ...”，但由于它是一个未排序的列表，我不确定如何排序我想要的三个不同部分，同时仍然保留它们同一条线（使它们相互链接）我也不确定如何在一条线上获得多个匹配项。

因此对于第一行，输出应该是：

X1314448: Des|Des_g3808.t1 AB|AB0003DMP400018076_AB0003DMT400026495

对于倒数第二个：

X1330513: Des|Des_g36886.t1 AB|AB0003DMP400049952_AB0003DMT400073802

对于最后一个：

X132738: Des|Des_g491.t1 Des|Des_g6171.t1 Des|Des_g47565.t1 AB|AB0003DMP400005485_AB0003DMT400007895 AB|AB0003DMP400021388_PGSC0003DMT400031553

我认为主要问题是最后一行。我还希望能够修改文件以包含“Dul|...”。

解决方案：

经过一番研究后，我最终得到： 1 - 将此脚本另存为FastaToTbl并使其可执行（chmod 744 FastaToTbl）：

if (substr($1,1,1)==">")
       if (NR>1)
             printf "\n%s\t", substr($0,2,length($0)-1)
      else
         printf "%s\t", substr($0,2,length($0)-1)
       else
          printf "%s", $0
}END{printf "\n"}'  "$@"

2 - make 和包含此脚本的第二个文件：FastaToTbl与此脚本结合使用以从中提取 IDfile1和序列file2：

 ./mktbl file1[contains FASTA sequences] |
  perl -ne 'chomp;@a=split(/\t/); $k{$a[0]}=$a[1]; ## Collect the sequences
                                               ## $k{ID}=SEQUENCE
      END{open(A,"File02[contains my data that is missing FASTA sequences (ID file)]");   ## Open ID file
         while(<A>){         ## and process it line by line
           @a=split(/\s+/);  ## Gather the IDs in array @a
           print shift(@a);  ## Print the first element (Jan123:)
           print "$_ $k{$_}\n" for @a; ## Print each ID and its seq
 }}'

答案1

awk '/^ *$/ {next;}; NR>1 {print bufline;};
  {bufline=$1 " ";
    for (i=2;i<=NF;i++)
      { if ($i ~ "^Des\\|" || $i ~ "^AB\\|") bufline=bufline sprintf("%s ",$i);
        if ($i ~ "^Dul\\|") dul=$i;
      };
  };
  END {print bufline " " dul;}' inputfile

答案2

这对你不起作用：

sort -k 2

基本上，默认情况下排序将按空格定义列，您可以更改此选项-t。在本例中，我让它知道按第二个字段排序。从第一眼看上去，它就能满足您的需求。

如果你想进行连续排序，你仍然可以使用排序添加额外的-k选项。来自手册页：

   -k, --key=KEYDEF
          sort via a key; KEYDEF gives location and type

KEYDEF 是 F[.C][OPTS][,F[.C][OPTS]] 表示开始和停止位置，其中 F 是字段编号，C 是字段中的字符位置；都是原点1，停止位置默认为线尾

X1327159: AB|AB0003DMP400016823_AB0003DMT400024599 AB|AB0003DMP400017933_AB0003DMT400026257 Dul|Dul_comp58749_c0_seq2-1
X1314810: Des|Des_g33587.t1 Nig|Nig_comp84357_c0_seq1-1 AB|AB0003DMP400020961_AB0003DMT400030857 Phy|Phy_comp33112_c0_seq1-1 SaMi|SM_g27352.t1 SWtf|SW_g21774.t1 TAIR|AT4G14930.1 Tom|Solyc06g054250.2.1 Dul|Dul_comp63657_c0_seq2-1
X1330513: Des|Des_g36886.t1 AB|AB0003DMP400049952_AB0003DMT400073802 SWtf|SW_g16502.t1
X132738: Des|Des_g491.t1 Des|Des_g6171.t1 Dul|Dul_comp57659_c0_seq2-1 Dul|Dul_comp57659_c0_seq3-1 Dul|Dul_comp57659_c0_seq4-1 Ni

相关内容