☰

根据出现的顺序将连续的字符添加到重复的单词中

tag-icon • tag-icon text-processing sed awk perl
根据出现的顺序将连续的字符添加到重复的单词中

所以我有这样的文件，但每个文件有数百个不同的基因。

>lcl|accession_cds_proteinaccession [gene=dnaA] [protein=description] [protein_id=accession] [location=location]
ATGTCGGAAAAAGAAATTTGGGAAAAAGTGCTTGAAATTGCTCAAGAAAAATTATCAGCTGTAAGTTACT
CAACTTTCCTAAAAGATACTGAGCTTTACACGATTAAAGATGGTGAAGCTATCGTATTATCGAGTATTCC
TTTTAATGCAAATTGGTTAAATCAACAATATGCTGAAATTATCCAAGCAATCTTATTTGATGTTGTAGGC

有很多重复的基因名称，因此gene=dnaA 可能在整个文件中出现几次。我需要这样，如果基因名称重复，则会在名称末尾添加 2。因此，对于文件中的第二个重复项，它将 [gene=dnaA] 更改为 [gene=dnaA2]，对于第三个重复项，它将 [gene=dnaA3] 更改为 [gene=dnaA3]。如果重要的话，我知道没有任何基因名称重复超过 6 次。示例输出如下所示

lcl|accession_cds_proteinaccession [gene=dnaA] [protein=description] [protein_id=accession] [location=location]
ATGTCGGAAAAAGAAATTTGGGAAAAAGTGCTTGAAATTGCTCAAGAAAAATTATCAGCTGTAAGTTACT
CAACTTTCCTAAAAGATACTGAGCTTTACACGATTAAAGATGGTGAAGCTATCGTATTATCGAGTATTCC

lcl|accession_cds_proteinaccession [gene=dnaA2] [protein=description] [protein_id=accession] [location=location]
ATGTCGGAAAAAGAAATTTGGGAAAAAGTGCTTGAAATTGCTCAAGAAAAATTATCAGCTGTAAGTTACT
CAACTTTCCTAAAAGATACTGAGCTTTACACGATTAAAGATGGTGAAGCTATCGTATTATCGAGTATTCC

lcl|accession_cds_proteinaccession [gene=dnaA3] [protein=description] [protein_id=accession] [location=location]
ATGTCGGAAAAAGAAATTTGGGAAAAAGTGCTTGAAATTGCTCAAGAAAAATTATCAGCTGTAAGTTACT
CAACTTTCCTAAAAGATACTGAGCTTTACACGATTAAAGATGGTGAAGCTATCGTATTATCGAGTATTCC
TTTTAATGCAAATTGGTTAAATCAACAATATGCTGAAATTATCCAAGCAATCTTATTTGATGTTGTAGGC

我在这里看到了使用 awk 将字符添加到包含重复单词的行末尾的答案（我想在文件中查找重复项，并在第一个匹配项的行尾添加一个字符）。但我需要在重复的单词末尾添加字符，其中的字符表示重复的次数。

即使您能为我指出正确的方向，那也会有很大的帮助！

谢谢

答案1

Perl 一行：

perl -pe's/\[gene=([^\]]*)\K\]/$h{$1}++?"$h{$1}]":"]"/e' yourfile

解释：

  • -p：执行文件每一行的代码（存储在）并在最后$_打印。$_
  • -e： 代码。
  • s/regex/replacement/e： 匹配正则表达式并将其替换为替代品在$_。

正则表达式：

/\[gene=    # match [gene= 
 ([^\]]*)   # match anything but "]" and put it a matching group
 \K         # don't “take” anything until here
 \]         # match a literal ]
/x

替代品：

  • condition ? yes : no：经典的三元运算符（读起来像带有 return 的 if）

  • $h{$1}++：将第一个匹配组的内容存储在哈希（字典、映射...）中，并将值加一。返回0，第一次遇到时为 false。

  • "$h{$1}]"：读取值$1并将其插入字符串中。

如果您想要文件内替换，请-i在perl.您可以向标志提供一个以备份文件结尾的可选文件-i（例如，在替换之前perl -i'.bak' -pe'…' yourfile更改yourfile并创建一个from ）。yourfile.bak

相关内容