用 grep 匹配模糊字符串答案

【问题标题】：fuzzy string matching with grep用 grep 匹配模糊字符串
【发布时间】：2015-05-20 16:58:36
【问题描述】：

我正在尝试匹配包含字符串ACTGGGTAAACTA 的文件中的行。如果我愿意

grep "ACTGGGTAAACTA" file

它给了我完全匹配的行。有没有办法允许一定数量的不匹配（替换、插入或删除）？比如我在找序列

最多允许 3 个替换，如“AGTGGGTAACCAA”等。
插入/删除（具有部分匹配，如“ACTGGGAAATAAACTA”或“ACTAACTA”）

【问题讨论】：

您的意思是“查找 ACTGGGTAAACTA 或最多可更改 3 个字母的序列”吗？
正则表达式不是模糊匹配工具。您必须非常准确地了解您正在寻找的内容。您可以明确声明某些字符可能会丢失（例如，ACTGGGTA{1,3}CTA 可以匹配 ACTGGGTACTA、ACTGGGTAACTA 和 ACTGGGTAAACTA），但是您的正则表达式越“模糊”，不受欢迎的匹配就越多你最终会得到。
可能类似于Fuzzy file search in linux console
Fuzzy regular expressions的可能重复

标签： regex shell pattern-matching

【解决方案1】：

以前有一个叫agrep的工具用于模糊正则表达式匹配，但被废弃了。

http://en.wikipedia.org/wiki/Agrep 有一些历史和相关工具的链接。

https://github.com/Wikinaut/agrep 看起来像是一个复兴的开源版本，但我还没有测试过。

如果失败，请查看是否可以为您的发行版找到 tre-agrep。

【讨论】：

【解决方案2】：

您可以使用tre-agrep 并使用-E 开关指定edit distance。例如如果你有一个文件foo:

cat <<< EOF > foo
ACTGGGAAAATAAACTA
ACTAAACTA
ACTGGGTAAACTA
EOF

您可以像这样匹配编辑距离最多为 9 的每一行：

tre-agrep -s -9 -w ACTGGGTAAACTA foo

输出：

4:ACTGGGAAAATAAACTA
4:ACTAAACTA
0:ACTGGGTAAACTA

【讨论】：

【解决方案3】：

有一个名为 fuzzysearch（我编写的）的 Python 库，它提供了所需的功能。

下面是一些应该可以工作的示例代码：

from fuzzysearch import find_near_matches

with open('path/to/file', 'r') as f:
    data = f.read()

# 1. search allowing up to 3 substitutions
matches = find_near_matches("ACTGGGTAAACTA", data, max_substitutions=3)

# 2. also allow insertions and deletions, i.e. allow an edit distance
#    a.k.a. Levenshtein distance of up to 3
matches = find_near_matches("ACTGGGTAAACTA", data, max_l_dist=3)

【讨论】：

【解决方案4】：

简答：没有。

长答案：正如@JDB said，正则表达式本质上是精确的。您可以在某些地方手动添加像[ATGC] 这样的不匹配而不是A，但是没有办法只允许少量的任何不匹配。我建议你编写自己的代码来解析它，或者尝试在某个地方找到一个 DNA 解析器。

【讨论】：