☰

テキスト ファイルから特定の ID を解析するにはどうすればよいですか?

tag-icon • tag-icon shell-script text-processing json
テキスト ファイルから特定の ID を解析するにはどうすればよいですか?

長いテキストファイルがあります。ファイルの内容の一部を以下に示します。

[{"site":"1a2v_1","pfam":"Cu_amine_oxid","uniprot":"P12807"},{"site":"1a2v_2","pfam":"Cu_amine_oxid","uniprot":"P12807"},{"site":"1a2v_3","pfam":"Cu_amine_oxid","uniprot":"T12807"},{"site":"1a2v_4","pfam":"Cu_amine_oxid","uniprot":"P12808"},{"site":"1a2v_5","pfam":"Cu_amine_oxid","uniprot":"Z12809"},{"site":"1a2v_6","pfam":"Cu_amine_oxid","uniprot":"P12821"},{"site":"1a3z_1","pfam":"Copper-bind,SoxE","uniprot":"P0C918"},

uniprot上記のテキストファイルからIDを解析する必要があり、期待される結果は以下の通りです。

P12807
P12807
T12807
P12808
Z12809
P12821
P0C918

同じことをするために、次のコマンドを試しましたが、何も機能しませんでした。

sed -e 's/"uniprot":"\(.*\)"},{"site":"/\1/' file.txt
cat file.txt | sed 's/.*"uniprot":" //' | sed 's/"site":".*$//'

上記の ID を解析するのにご協力ください。

前もって感謝します。

答え1

Linux システムを使用している場合は、次の操作を簡単に実行できます。

$ grep -oP '"uniprot":"\K[^"]+' file
P12807
P12807
T12807
P12808
Z12809
P12821
P0C918

は各行の一致する部分のみを印刷するように-o指示し、 はPerl 互換正規表現を有効にします。 正規表現は を探しますが、それを破棄します ( は「これまでに一致したものをすべて破棄する」という意味なので、出力には含まれません)。 次に、非( )の最長の連続を探します。grep-P"uniprot":"\K"[^"]+

もちろん、これは JSON データのように見えるので、より複雑なものについては、 のような適切なパーサーを使用する必要がありますjq。閉じを追加してファイルを修正し]、次のようになります。

[{"site":"1a2v_1","pfam":"Cu_amine_oxid","uniprot":"P12807"},{"site":"1a2v_2","pfam":"Cu_amine_oxid","uniprot":"P12807"},{"site":"1a2v_3","pfam":"Cu_amine_oxid","uniprot":"T12807"},{"site":"1a2v_4","pfam":"Cu_amine_oxid","uniprot":"P12808"},{"site":"1a2v_5","pfam":"Cu_amine_oxid","uniprot":"Z12809"},{"site":"1a2v_6","pfam":"Cu_amine_oxid","uniprot":"P12821"},{"site":"1a3z_1","pfam":"Copper-bind,SoxE","uniprot":"P0C918"}]

できるよ：

$ jq -r '.[].uniprot' file
P12807
P12807
T12807
P12808
Z12809
P12821
P0C918

答え2

よく見ると、入力ファイルは Python データ構造です。具体的には、辞書のリストです。閉じる角括弧を追加する必要があります。

ast モジュールを使用すると、有効な Python データ構造である文字列をシリアル化できます。

python3 -c 'import sys, ast
ifile,key = sys.argv[1:]
str = ""
with open(ifile) as fh:
  for l in fh: str += l.rstrip()
  lod = ast.literal_eval(str)
  for d in lod: print(d[key])
' file uniprot

P12807
P12807
T12807
P12808
Z12809
P12821
P0C918

答え3

使用方法gawk:

awk 'BEGIN{RS=","}
/uniprot/{print gensub(/.*("uniprot":")(.*)".*/, "\\2", "g") }' input

このコマンドでは、入力レコードセパレータ（RS）がカンマに設定されています。

次に、gawk組み込み関数は、gensub()バック参照( ) を使用して行を目的のパターンに置き換えます\\2。

答え4

Perl 5 ソリューション

$ perl -nle 'print join"\n",m/uniprot\":\"(.*?)\"/g' file.txt
P12807
P12807
T12807
P12808
Z12809
P12821
P0C918
$

関連情報