Question

我使用cut来提取制表符分隔文件中的列：

cut -f 14 glra3res.vcf

其结果是：

STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC;HGNC_ID=HGNC:4326;BIOTYPE=protein_coding;CANONICAL=YES;CCDS=CCDS54942.1;ENSP=ENSP00000411593;SWISSPROT=P23415;UNIPARC=UPI0000DA6BF2;SIFT=deleterious(0.02);PolyPhen=benign(0.167);EXON=9/9;DOMAINS=Superfamily_domains:SSF90112;HGVSc=ENST00000455880.2:c.1363C>A;HGVSp=ENSP00000411593.2:p.His455Asn;AA_MAF=T:0;EA_MAF=T:0.000116
STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC;HGNC_ID=HGNC:4326;BIOTYPE=protein_coding;CCDS=CCDS4320.1;ENSP=ENSP00000274576;SWISSPROT=P23415;TREMBL=Q14C71;UNIPARC=UPI000013DA17;SIFT=deleterious(0.02);PolyPhen=benign(0.315);EXON=9/9;DOMAINS=Superfamily_domains:SSF90112;HGVSc=ENST00000274576.6:c.1339C>A;HGVSp=ENSP00000274576.4:p.His447Asn;AA_MAF=T:0;EA_MAF=T:0.000116

我想在SYMBOL=和;之间提取字符串，这会产生GLRA3。

我正在尝试将其传输到grep命令：

cut -f 14 glra1res.vcf | grep 'SYMBOL='

当然会选择SYMBOL=，我也只能选择;。我很难将两者结合起来以获得它们之间的字符串。只是做

cut -f 14 glra1res.vcf | grep 'SYMBOL=' | grep ';'

忽略SYMBOL=，但是如果我可以选择两者，那么这将是一个开始......

Answer 1

如果你不介意使用sed：

bash-3.2$ cut -f 14 myfile | sed 's/.*SYMBOL=\([^;]*\);.*/\1/g'
GLRA3
GLRA3

仅使用-d选项剪切：

bash-3.2$ cut -f 14 myfile | cut -d';' -f 2|cut -d'=' -f 2
GLRA3
GLRA3

Answer 2

可以使用grep和后视：

来完成

... | grep -Po '(?<=SYMBOL=)[^;]*'
GLRA3
GLRA3

在[^;]*之后发生SYMBOL=。 [^;]*表示“找到;之前的任何字符集”。

请注意，您距离解决方案并不遥远。如果您使用-o执行以下操作，则可以打印SYMBOL=之后的内容，直到找到;：

... | grep -o 'SYMBOL=[^;]*'
SYMBOL=GLRA3
SYMBOL=GLRA3

然后您可以添加-P选项来执行\K，这会删除以前匹配的文本，然后打印下一步：

... | grep -Po 'SYMBOL=\K[^;]*'
GLRA3
GLRA3

Answer 3

您不需要一堆不同的命令和管道，只需要一个简单的awk命令。看，假设你有这个当前运行的标签分隔文件：

$ cat file
abc     STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC       def
gh      STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC       ij

$ cut -f2 file
STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC
STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC

现在只需在其上运行此awk脚本：

$ awk -F'\t' '{split($2,a,/[;=]/); print a[4]}' file
GLRA3
GLRA3

将$2更改为$14以获取真实文件。

如果＆＃34; SYMBOL＆＃34;并不总是在同一个位置，只需创建一个数组映射名称到值，并按名称打印您喜欢的任何值：

$ awk -F'\t' '{split($2,a,/[;=]/); for (i=1;i in a;i+=2) n2v[a[i]]=a[i+1]; print n2v["SYMBOL"]}' file
GLRA3
GLRA3

$ awk -F'\t' '{split($2,a,/[;=]/); for (i=1;i in a;i+=2) n2v[a[i]]=a[i+1]; print n2v["STRAND"]}' file
-1
-1

$ awk -F'\t' '{split($2,a,/[;=]/); for (i=1;i in a;i+=2) n2v[a[i]]=a[i+1]; print n2v["SYMBOL_SOURCE"]}' file
HGNC
HGNC

$ awk -F'\t' '{
    split($2,a,/[;=]/)
    for (i=1;i in a;i+=2) {
        n2v[a[i]]=a[i+1]
    }
    for (name in n2v) {
        print name, "->", n2v[name]
    }
}' file
SYMBOL -> GLRA3
STRAND -> -1
SYMBOL_SOURCE -> HGNC
SYMBOL -> GLRA3
STRAND -> -1
SYMBOL_SOURCE -> HGNC

Answer 4

你甚至可以在perl one liner中试试这个：

<强> INPUTFILE：

STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC;HGNC_ID=HGNC:4326;BIOTYPE=protein_coding;CANONICAL=YES;CCDS=CCDS54942.1;ENSP=ENSP00000411593;SWISSPROT=P23415;UNIPARC=UPI0000DA6BF2;SIFT=deleterious(0.02);PolyPhen=benign(0.167);EXON=9/9;DOMAINS=Superfamily_domains:SSF90112;HGVSc=ENST00000455880.2:c.1363C>A;HGVSp=ENSP00000411593.2:p.His455Asn;AA_MAF=T:0;EA_MAF=T:0.000116
STRAND=-1;SYMBOL=GLRA3;SYMBOL_SOURCE=HGNC;HGNC_ID=HGNC:4326;BIOTYPE=protein_coding;CCDS=CCDS4320.1;ENSP=ENSP00000274576;SWISSPROT=P23415;TREMBL=Q14C71;UNIPARC=UPI000013DA17;SIFT=deleterious(0.02);PolyPhen=benign(0.315);EXON=9/9;DOMAINS=Superfamily_domains:SSF90112;HGVSc=ENST00000274576.6:c.1339C>A;HGVSp=ENSP00000274576.4:p.His447Asn;AA_MAF=T:0;EA_MAF=T:0.000116

代码:( Windows提示）

perl -lne "if($_ =~ /SYMBOL=(.*?[^;]);/i) { print $1;}" InputFile

外壳提示：

perl -lne 'if($_ =~ /SYMBOL=(.*?[^;]);/i) { print $1;}' InputFile

<强>输出：

GLRA3
GLRA3

Answer 5

使用perl如果你在;和=上分开，你可以为每个errm“gene”构建哈希哈希值（？）或文件中的行。此示例使用“主题”变量$_ %_和“autosplit”数组@F（使用-a制作，-F查看perlrun了解详细信息在开关上）从默认值中打印出“SYMBOL”键的值（%_）：

perl -F"/;|=/" -anE '$_{$.}={@F} ;}{ say $_{$_}{SYMBOL} for keys %_' data.txt

通过更改密钥，您可以选择要打印的值 - 例如：

perl -F"/;|=/" -anE '$_{$.}={@F} ;}{ say $_{$_}{CCDS} for keys %_' data.txt

当然也可以使用一系列哈希：

perl -F"/;|=/" -anE 'push @genes, {@F} ;}{ say ${$_}{CCDS} for @genes' data.txt

我发现如果我立即开始使用数据结构（即使在单行中），它也可以更容易地开始想象更长的脚本或应用程序。最好的工具之一是Data::Printer，它可以让你“看到”哈希和数组：perl -MDDP -F"/;|=/" -lane '$_{$.}={@F};}{ p %_' data.txt

提取切割结果的两个字符串之间的字符串

5 个答案: