☰

Cómo extraer múltiples bits de información que aparecen en diferentes líneas dentro del mismo archivo de texto

tag-icon • tag-icon command-line text-processing extract
Cómo extraer múltiples bits de información que aparecen en diferentes líneas dentro del mismo archivo de texto

Estoy intentando extraer el ID de secuencia y el número de grupo que aparecen en diferentes líneas dentro del mismo archivo de texto.

La entrada parece

>Cluster 72
0   319aa, >O311_01007... *
>Cluster 73
0   318aa, >1494_00753... *
1   318aa, >1621_00002... at 99.69%
2   318aa, >1622_00575... at 99.37%
3   318aa, >1633_00422... at 99.37%
4   318aa, >O136_00307... at 99.69%
>Cluster 74
0   318aa, >O139_01028... *
1   318aa, >O142_00961... at 99.69%
>Cluster 75
0   318aa, >O300_00856... *

El resultado deseado es el ID de secuencia en una columna y el número de grupo correspondiente en la segunda.

>O311_01007  72
>1494_00753  73
>1621_00002  73
>1622_00575  73
>1633_00422  73
>O136_00307  73
>O139_01028  74
>O142_00961  74
>O300_00856  75

¿Alguien puede ayudarme con esto?

Respuesta1

Con awk:

awk -F '[. ]*' 'NF == 2 {id = $2; next} {print $3, id}' input-file
  • dividimos campos en espacios o puntos con-F '[. ]*'
  • con líneas de dos campos, (las >Clusterlíneas), guarde el segundo campo como ID y pase a la siguiente línea
  • con otras líneas, imprima el tercer campo y el ID guardado

Respuesta2

Puedes usar awkpara esto:

awk '/>Cluster/{
      c=$2;
      next
    }{
      print substr($3,2,length($3)-4), c
    }' file

La primera declaración de bloque captura la ID del clúster. La segunda declaración de bloque (la predeterminada) extrae los datos deseados e imprimelos.

Respuesta3

Aquí hay una alternativa con Ruby como frase ingeniosa:

ruby -ne 'case $_; when /^>Cluster (\d+)/;id = $1;when /, (>\w{4}_\w{5})\.\.\./;puts "#{$1} #{id}";end' input_file

o difundir en varias líneas:

ruby -ne 'case $_
when /^>Cluster (\d+)/
  id = $1
when /, (>\w{4}_\w{5})\.\.\./
  puts "#{$1} #{id}"
end' input_file

Supongo que sólo es más legible que la awkversión si conoces Ruby y regexen. Como beneficio adicional, este código podría ser un poco más sólido que simplemente dividir las líneas, porque busca el texto circundante.

Respuesta4

Perla:

$ perl -ne 'if(/^>.*?(\d+)/){$n=$1;}else{ s/.*(>[^.]+).*/$1 $n/; print}' file 
>O311_01007 72
>1494_00753 73
>1621_00002 73
>1622_00575 73
>1633_00422 73
>O136_00307 73
>O139_01028 74
>O142_00961 74
>O300_00856 75

Explicación

  • perl -ne: lea el archivo de entrada línea por línea ( -n) y aplique el script proporcionado por -ea cada línea.
  • if(/^>.*?(\d+)/){$n=$1;}: si esta línea comienza con >, busque el tramo más largo de números al final de la línea y guárdelo como $n.
  • else{ s/.*(>[^.]+).*/$1 $n/; print: si la línea no comienza con >, reemplace todo con el tramo más largo de .caracteres que no sean caracteres después de >( >[^.]+), es decir, el nombre de la secuencia ( $1porque tenemoscapturadola coincidencia de expresiones regulares) y el valor actual de $n.

O, para un enfoque más extraño:

$ perl -lane 'if($#F==1){$n=$F[1]}else{$F[2]=~s/\.+$//; print "$F[2] $n"}' file 
>O311_01007 72
>1494_00753 73
>1621_00002 73
>1622_00575 73
>1633_00422 73
>O136_00307 73
>O139_01028 74
>O142_00961 74
>O300_00856 75

Esta es sólo una forma un poco más engorrosa de hacer la misma idea básica que los distintos awkenfoques. Lo incluyo para completarlo y para los fanáticos de Perl. Si necesita una explicación, simplemente use las soluciones awk :).

información relacionada