Question

我有一个DNA序列的'测试'文件，每个都有一个标题或ID，如下所示：

>new
ATCGGC
>two
ACGGCTGGG
>tre
ACAACGGTAGCTACTATACGGTCGTATTTTTT

我想在匹配之前和之后打印每个连续字符串的长度给定字符串，例如CGG

输出将如下所示：

>new
2 1
>two
1 5
>tre 
4 11 11

或者可以只有每行匹配前后的字符长度。

2 1
1 5 
4 11 11

我第一次尝试使用sed在找到'＆gt;'后打印下一行，然后找到每个grep匹配“CGG”的字节偏移量，我将用它来转换为长度，但这产生了以下结果：

sed -n '/>/ {n;p}' test | grep -aob "CGG" 

2:CGG
8:CGG
21:CGG
35:CGG

基本上，grep为每个匹配打印字节偏移，向上计数，而我希望每行独立的字节偏移（即在每行之后重置）。

我想我也需要使用sed进行搜索，因为它逐行操作，但我不知道如何抵消给定字符串中的字节偏移或字符。

非常感谢任何帮助。

Answer 1

通过使用给定的字符串作为awk中的字段分隔符，可以轻松地遍历每行上的字段并打印它们的长度。（以>开头的行我们只是按原样打印。）

这为您的示例数据提供了所需的输出，但您可能希望检查边缘情况，例如以CGG开头，以CGG结尾，仅包含CGG等。

$ awk -F CGG '/^>/ {print; next} {for (i=1; i<=NF; ++i) {printf "%s%s", length($i), (i==NF)?"\n":" "}}' file.txt
>new
2 1
>two
1 5
>tre
4 11 11

awk -F CGG

使用“CGG”作为字段分隔符调用awk。这会将每一行解析为一组字段，这些字段由字符串“CGG”的每个（如果有）出现。 “CGG”字符串本身既不包含在任何字段中，也不包含在任何字段中。

因此，行ACAACGGTAGCTACTATACGGTCGTATTTTTT被解析为三个字段：ACAA，TAGCTACTATA和TCGTATTTTTT，由$1表示在awk程序中，{分别为{1}}和$2。

'/ ^＆gt; / {print;下一个}

此模式/操作告诉awk如果行以$3开头打印行并立即转到下一行输入，而不考虑awk程序中的任何进一步模式或操作。

{for（i = 1; i＆lt; = NF; ++ i）{printf“％s％s”，length（$ i），（i == NF）？“\ n”：“”}}

如果我们到达此操作，我们知道该行不以>开头（见上文）。由于只有一个动作而没有模式，因此对于到达此处的每一行输入执行动作。

for循环遍历所有字段（>是一个特殊的awk变量，包含当前行中的字段数）并打印它们的长度。通过检查我们是否到达最后一个字段，我们知道是打印换行还是仅打印空格。