☰

processamento de texto-perl

tag-icon • tag-icon text-processing awk perl columns
processamento de texto-perl

Eu sou um biólogo. Gostaria da ajuda de especialistas em informática para ajudar na edição de arquivos de texto.

Esta é a aparência do arquivo de entrada:

##dsfsd2
##sdf-sdf sasg 5.6.3
gi34_ex Gen  CDS     161     317     .       +       .       Name=Xm ZAK;created by=User
gi56_ex Gen  CDS     2194    2280    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  CDS     2848    2951    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  CDS     4554    4619    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  CDS     4729    4756    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  extracted region        1       11677   .       +       .       Name=Extracted region from gi|371443185|gb|JH556675.1|;Extracted interval="1960862 -> 1972538"

Observe que a partir da terceira linha, a entrada possui 12 ($1 a $12) colunas, separadas por tabulações. A última linha do arquivo possui 16 colunas ($1 a $16), separadas por tabulações. ## linhas devem ser ignoradas.

Quero pegar $ 14 da última linha (interval = "1960862) apenas o número (1960862) e adicionar à coluna $ 4 (161,2194,2848..4729), ou seja, (161 + 1960862 = 1961023,2194 + 1960862 = 1963056 .. ) e para a coluna $ 5 (317,2280,2951..4756), ou seja, (317+1960862=1961179,2280+1960862=1963142), ignore a última linha.

A saída deve ficar assim:

##dsfsd2
##sdf-sdf sasg 5.6.3
gi34_ex Gen  CDS     1961023     1961179     .       +       .       Name=Xm ZAK;created by=User
gi56_ex Gen  CDS     1963056    1963142    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  CDS     1963710    1963813    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  CDS     1965416    1965481    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  CDS     1965591    1965618    .       +       .       Name=Xm ZAK;created by=User
gi37_ex Gen  extracted region        1       11677   .       +       .       Name=Extracted region from gi|371443185|gb|JH556675.1|;Extracted interval="1960862 -> 1972538"

Responder1

Aqui está uma solução funcional. Você pode encontrar a explicação nos comentários.

#!/usr/bin/perl
use warnings;
use strict;

open my $IN, '<', '1.in' or die $!;

my $line;
$line = $_ while <$IN>;                 # Remember the last line.
my $last = $.;                          # Remember the number of the last line.

my $interval = (split /\t/, $line)[13]; # Extract the 14th column.
$interval =~ s/[^0-9]+//;               # Keep only the number.

seek $IN, 0, 0;                         # Rewind to the beginning of the input.
$. = 0;                                 # Restart the line counter.
my $start = 1;                          # Flag to skip first lines.
while (<$IN>) {
    my @columns = split /\t/;
    /^##/ or undef $start;              # Unset start if the header is over.
    if (not ($start or $. == $last)) {  # Not header or last line?
        $_ += $interval for @columns[3, 4];
    }
    print join "\t", @columns;
}

informação relacionada