仅当一行后跟以相同字符开头的行时，如何才能删除该行？答案

【问题标题】：How can i remove a line only if it is followed by a line that starts with the same character?仅当一行后跟以相同字符开头的行时，如何才能删除该行？
【发布时间】：2017-08-02 18:54:27
【问题描述】：

我需要一些关于 sed 或 awks 的帮助。

我如何才能删除一行，如果它后面跟着一个以相同字符开头的行（在这种情况下是>）？

例如我有这个：

>1_SRR1422294
ATCGTCAGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAT
>2_SRR1422294
CGTCAGACGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAG
>5_SRR1422298
>5_SRR1422294
CGTCAGACGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAG
>6_SRR1422294
>6_SRR1422250
TGTTCATGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCACATCTCACGACACGAGCTGACGACAGCCATGCAGC
>9_SRR1422294
GCGACTAGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCACATCTCACGACACGAGCTGACGACAGCCATGCAGC

我想得到这个：

>1_SRR1422294
ATCGTCAGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAT
>2_SRR1422294
CGTCAGACGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAG
>5_SRR1422294
CGTCAGACGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAG
>6_SRR1422250
TGTTCATGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCACATCTCACGACACGAGCTGACGACAGCCATGCAGC
>9_SRR1422294
GCGACTAGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCACATCTCACGACACGAGCTGACGACAGCCATGCAGC

请注意，并非所有行都有相同的数字，但它们都有相同的格式，这就是我想使用正则表达式的原因。如果您能解释如何阅读您生成的代码，那就太好了。

非常感谢！

【问题讨论】：

使用 GNU grep：grep -Poz '^>.*\n[^>].*' file

标签： regex awk sed fasta reformat

【解决方案1】：

如果整个文件遵循该模式（以> 开头的一些行，您只需要最后一行，然后是应始终打印的单行），您可以使用如下内容：

awk '/^>/ { latest=$0 } !/^>/ { if (latest) { print latest; latest="" } print }'

如果该行以> 开头，则它会被记住（存储在变量latest 中）但不会打印。如果该行不以> 开头，则打印它，但仅在第一次打印最近存储在latest 中的任何内容之后。

条件意味着每个打印的> 行只会出现一次，即使一行中有多个非> 行。由于您的示例数据中不会发生这种情况，因此您可能不需要复杂性，并且可以使用这个更简单的无条件版本：

awk '/^>/ { latest=$0 } !/^>/ { print latest; print }'

【讨论】：

【解决方案2】：

只需使用带有-w(--check-chars=N) 选项的uniq 命令即可轻松实现所需的结果：

cat testfile | uniq -w 3

输出：

>1_SRR1422294
ATCGTCAGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAT
>2_SRR1422294
CGTCAGACGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAG
>5_SRR1422298
CGTCAGACGTAGGGTTGCGCTCGTTGCGGGACTTAACCCAACATCTCACGACACGAGCTGACGACAGCCATGCAG
>6_SRR1422294
TGTTCATGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCACATCTCACGACACGAGCTGACGACAGCCATGCAGC
>9_SRR1422294
GCGACTAGGTAGGGTTGCGCTCGTTGCGGGACTTAACCCACATCTCACGACACGAGCTGACGACAGCCATGCAGC

-w, --check-chars=N
在行中比较不超过 N 个字符

http://man7.org/linux/man-pages/man1/uniq.1.html

它会比较每行的前N个字符来判断是否有重复的行

【讨论】：

【解决方案3】：

尝试：如果您的数据与给定的示例 Input_file 相同，那么以下内容可能对您有所帮助。

awk '/^>/{A=$0;next} {print A ORS $0;A=""}'  Input_file

【讨论】：

【解决方案4】：

这可能对你有用（GNU sed）：

sed 'N;/^>.*\n>/!P;D' file

将两行读入模式空间，如果第一行和第二行以> 开头，则不打印其中的第一行。

【讨论】：

【解决方案5】：

sed 'N;/^>.*\n\w/!D' file #(GNU sed)

N：将下一行读入模式空间。
/^>.*\n\w/!D：如果第一行以“>”开头且第二行不以字母开头，则删除第一行

【讨论】：