在特定列中使用 awk 提取模式答案

【问题标题】：Extract a pattern using awk in a specific column在特定列中使用 awk 提取模式
【发布时间】：2017-10-21 15:58:53
【问题描述】：

我想通过只取最后一列的一个特定部分来修改文件（gff3 格式）！

我的文件看起来像这样，九列由制表符分隔：

NW_015494524.1 Gnomon CDS 1220137 1220159。 - 0 ID=cds20267;Parent=rna22739;Dbxref=GeneID:107513619,Genbank:XP_016006018.1;Name=XP_016006018.1;gbkey=CDS;gene=A3GALT2;product=alpha_1%2C3-galactosyltransferase_2 protein_id=XP_016006018.1 p>

我只想提取最后一列 ($9) 中的基因名称 (;gene=XXX;)。输出：

NW_015494524.1 Gnomon CDS 1220137 1220159。 - 0 A3GALT2

完成此操作后，我想将第 4、5、7、8 列和从第 9 列提取的值合并到一个唯一列中预期输出：

A3GALT2 1220137 1220159 - 0

我尝试使用awk 仅在最后一列中采用模式gene=xxxx。我的基因名称是带或不带数字的大写字母；并由';'分隔第九列的分号。

awk  FS "[ \t]" '$9 ~/gene=[A-Z0-9]$/ {print $0, $4, $5, $7, $8}' <file>

它不工作。还有其他方法可以使用awk 或sed 或grep 更好吗？

提前感谢您的帮助。

【问题讨论】：

您希望输出为NW_015494524.1 Gnomon CDS 1220137 1220159 . - 0 A3GALT2 或NW_015494524.1 Gnomon CDS 1220137 1220159 . - 0，请向我们解释一下？
是的，抱歉。我想分两部分做，但我可以一次做完。我想要基因名称、位置、链和相位。感谢您的解决方案。

标签： awk

【解决方案1】：

遵循 awk 应该对您有所帮助。

awk '{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));$NF=""} 1'  Input_file

输出如下。

NW_015494524.1 Gnomon CDS 1220137 1220159 . - 0 A3GALT2

编辑：正如我在 cmets 中提到的那样，我很困惑你需要哪个输出，以防你需要第二个显示的输出，下面可能会帮助你。 p>

awk '$9 ~ /.*gene=/{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));print $9,$4,$5,$7,$8} '  Input_file

输出如下。

A3GALT2 1220137 1220159 - 0

【讨论】：

【解决方案2】：

一个简单的awk解决方案

$ awk '{match($9,/gene=(\w+);/,a); print a[1],$4,$5,$7,$8}' file
A3GALT2 1220137 1220159 - 0

{match($9,/gene=(\w+);/,a); ：这将匹配$9 中的正则表达式gene=(\w+); 和捕获组(\w+)，这将存储在数组a 中，仅此而已。

【讨论】：

谢谢。好的，所以要排除我需要在基因名称周围添加 () 的数组的gene=。如果我不放a，默认情况下捕获存储在数组$ 0中吗？
@Nico64：您不必将() 放入源输入文件中。 () in match 函数告诉捕获括号内提到的模式。此外，如果我们没有在match 函数中指定a，那么它不会被存储，但我们可以使用RSTART 和RLENGTH 参数，它们在调用match 函数时默认设置。 RSTART表示第一个匹配字符的索引，不匹配为0，RLENGTH为长度，不匹配为-1。
好的。是的，对于括号，我的意思不是在 infile 中的基因名称周围，而是在 awk 命令中仅将名称作为存储的模式。

【解决方案3】：

awk解决方案：

awk '{ split($9,a,";"); print substr(a[6],6),$4,$5,$7,$8 }' file

split($9,a,";") - 使用 ; 作为分隔符将第 9 个字段拆分为块数组a
substr(a[6],6) - 从子字符串gene=XXXXXXXX中提取所需的基因名称@

输出：

A3GALT2 1220137 1220159 - 0

【讨论】：

【解决方案4】：

感谢您的回复和帮助。是的，我想要你制作的输出。只保留基因名称、位置、链和相位信息。它们将用作新 fasta seq 的标题。我会尝试这些命令。

【讨论】：