使用 sed 将特定标签后的单词替换为括号

Question

我有一个从 BLAST 2.5.0+ 生成的 xml 文件。我想做一些改变。具体来说，我想把 OS= 之后的所有单词放在我的文件中，方法是把它放在 [] 中。我的原始文件格式如下：-

<Hit_num>1</Hit_num>
<Hit_id>TR:V4U0L5_9ROSI</Hit_id>
<Hit_def>gnl|V4U0L5| Uncharacterized protein OS=Homo sapien
OX=393305 GN=CICLE_v10008136mg PE=4 SV=1</Hit_def>
<Hit_accession>TR:V4U0L5_9ROSI</Hit_accession>
<Hit_len>388</Hit_len>

使用以下 CMD：-sed -E 's/<Hit_def>(.*)OS=([A-Za-z\.\-\,\_ ]+)(( [A-Z]+=.*))<\/Hit_def>/<Hit_def>\1[\2]\3<\/Hit_def>/g' input.xml > output.xml，我设法得到以下信息：-

<Hit_num>1</Hit_num>
<Hit_id>TR:V4U0L5_9ROSI</Hit_id>
<Hit_def>gnl|V4U0L5| Uncharacterized protein [Homo sapien]
OX=393305 GN=CICLE_v10008136mg PE=4 SV=1</Hit_def>
<Hit_accession>TR:V4U0L5_9ROSI</Hit_accession>
<Hit_len>388</Hit_len>

但是，OS= 之后的一些词有不同的特点。例如：-

<Hit_num>1</Hit_num>
<Hit_id>TR:V4U0L5_9ROSI</Hit_id>
<Hit_def>gnl|V4U0L5| Uncharacterized protein OS=Yersinia enterocolitica serotype O:8 / biotype 1B (strain NCTC 13174 / 8081)
OX=393305 GN=CICLE_v10008136mg PE=4 SV=1</Hit_def>
<Hit_accession>TR:V4U0L5_9ROSI</Hit_accession>
<Hit_len>388</Hit_len>

使用与上面相同的 CMD，这些词根本不会放在 [] 内。如何使用 Mac OS X 将 OS= 之后的所有内容包含到 [] 中？

Answer 1

使用xslt，您可以以比sed 更健壮和强大的方式轻松操作 XML 文件：

输入：

<?xml version="1.0"?>
<Hit>
        <Hit_num>1</Hit_num>
        <Hit_id>TR:V4U0L5_9ROSI</Hit_id>
        <Hit_def>gnl|V4U0L5| Uncharacterized protein OS=Homo sapien OX=393305 GN=CICLE_v10008136mg PE=4 SV=1</Hit_def>
        <Hit_accession>TR:V4U0L5_9ROSI</Hit_accession>
        <Hit_len>388</Hit_len>
</Hit>

样式表：

<?xml version="1.0" encoding="utf-8"?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" xmlns:redirect="http://xml.apache.org/xalan/redirect" extension-element-prefixes="redirect" xmlns:xalan="http://xml.apache.org/xslt" exclude-result-prefixes="xalan">
<xsl:output method="xml" indent="yes" xalan:indent-amount="4"/>
<xsl:strip-space elements="*" />

<xsl:template match="node() | @*">
        <xsl:copy>
                <xsl:apply-templates select="node() | @*"/>
        </xsl:copy>
</xsl:template>

    <xsl:template match="//Hit_def">
        <xsl:variable name="stringToReplace" select="."/>
        <Hit_def><xsl:value-of select="replace($stringToReplace,'OS=([^=]*)\s+OX=','[$1] OX=')"/></Hit_def>
    </xsl:template>
</xsl:stylesheet>

输出：

$ java -jar saxon9he.jar -s:hit.xml -xsl:hit.xsl
<?xml version="1.0" encoding="UTF-8"?>
<Hit>
   <Hit_num>1</Hit_num>
   <Hit_id>TR:V4U0L5_9ROSI</Hit_id>
   <Hit_def>gnl|V4U0L5| Uncharacterized protein [Homo sapien] OX=393305 GN=CICLE_v10008136mg PE=4 SV=1</Hit_def>
   <Hit_accession>TR:V4U0L5_9ROSI</Hit_accession>
   <Hit_len>388</Hit_len>
</Hit>

如果您需要saxon9he.jar，请从http://saxon.sourceforge.net/ 获取 您还可以使用xsltproc 或您系统上可用的其他命令。

最后但并非最不重要的一点是，您可能需要修剪反向引用以避免像[Home Sapien ] 这样的结果。如有需要可以使用以下stylesheet

<?xml version="1.0" encoding="utf-8"?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform" xmlns:redirect="http://xml.apache.org/xalan/redirect" extension-element-prefixes="redirect" xmlns:xalan="http://xml.apache.org/xslt" exclude-result-prefixes="xalan">
<xsl:output method="xml" indent="yes" xalan:indent-amount="4"/>
<xsl:strip-space elements="*" />

<xsl:template match="node() | @*">
        <xsl:copy>
                <xsl:apply-templates select="node() | @*"/>
        </xsl:copy>
</xsl:template>

    <xsl:template match="//Hit_def">
        <xsl:variable name="stringToReplace" select="."/>
        <xsl:variable name="stringTmp" select="replace($stringToReplace,'OS=([^=]*)\s+OX=','[$1] OX=')"/>
        <Hit_def><xsl:value-of select="replace($stringTmp,'\s+\]\s+OX=','] OX=')"/></Hit_def>
    </xsl:template>
</xsl:stylesheet>