Question

我有一个多列GTF文件，其中每行有不同的列数：

chr1    Cufflinks   exon    12659   12721   .   +   .   gene_id "XLOC_000001"; transcript_id "TCONS_00000001"; exon_number "1"; oId "CUFF.3.1"; class_code "u"; tss_id "TSS1";
chr1    Cufflinks   exon    13221   16604   .   +   .   gene_id "XLOC_000001"; transcript_id "TCONS_00000001"; exon_number "2"; oId "CUFF.3.1"; class_code "u"; tss_id "TSS1";
chr1    Cufflinks   exon    29554   30039   .   +   .   gene_id "XLOC_000002"; transcript_id "TCONS_00000002"; exon_number "1"; gene_name "MIR1302-11"; oId "ENST00000473358"; nearest_ref "ENST00000473358"; class_code "="; tss_id "TSS2";
chr1    Cufflinks   exon    30564   30667   .   +   .   gene_id "XLOC_000002"; transcript_id "TCONS_00000002"; exon_number "2"; gene_name "MIR1302-11"; oId "ENST00000473358"; nearest_ref "ENST00000473358"; class_code "="; tss_id "TSS2";
chr1    Cufflinks   exon    69091   70008   .   +   .   gene_id "XLOC_000003"; transcript_id "TCONS_00000005"; exon_number "1"; gene_name "OR4F5"; oId "ENST00000335137"; nearest_ref "ENST00000335137"; class_code "="; tss_id "TSS4"; p_id "P1";

我只想要匹配模式'gene_id'的列......“;' 'transcript_id'......“;” '班级代码 ”..”;'

我尝试使用以下方法删除不需要的列：

sed -e 's/nearest_ref\s\"[A-Z]\{4\}[0-9]\{11\}\"\;//' -e 's/oId\s\"[A-Z|\.|0-9]*\"\;//' -e 's/gene_name\s\"[A-Z|0-9|\.|\-]*\"\;//' -e 's/contained_in\s\"[A-Z|\_|0-9]*\"\;//' -e 's/p_id*\s\".*\"\;//' merged.gtf > temp.gtf

但看起来文件中还有许多其他不需要的列，我看不到（文件很大）。如何提取所需的列并将其保存到另一个文件中？

Answer 1

如果您不介意额外的尾随空格，并且我在上述评论中的假设属实，那么以下内容应该有效：

awk '{
    for (i = 1; i <= NF; i++) {
        if ($i ~ /gene_id|transcript_id|class_code/) {
            printf "%s %s ", $i, $(i + 1)
        }
    }
    print ""
}' merged.gtf > temp.gtf

使用与特定模式匹配的值提取列

1 个答案: