Question

我有以下数据：

COSM3755563_(COSMIC),_COSM3755562_(COSMIC),_rs16941_(Gene_file)
COSM148277_(COSMIC),_COSM3755561_(COSMIC),_rs16942_(Gene_file)
rs1060915_(Gene_file;_1000Genomes)
COSM3755560_(COSMIC),_rs1799966_(Gene_file)
rs206075_(Gene_file;_1000Genomes)

我需要一个输出：

rs16941
rs16942
rs1060915
rs1799966
rs206075

我只需从此列中提取rs_number即可。问题是，rs_number总是位于不同的位置。

我的解决方案是：

awk '{split ($1,arr1,"_"); print arr1[1)}' infile

直到我的rs_number改变了位置，这个工作非常好。

感谢awk中的任何帮助。

Answer 1

您可以使用grep来匹配线条，只打印匹配项

$ grep  -o "rs[[:digit:]]*" file
rs16941
rs16942
rs1060915
rs1799966
rs206075

-o， - 仅匹配

仅打印行的匹配部分。

也可以使用match

中的awk功能完成此操作

$ awk  '{match($0, "rs[[:digit:]]*", arr); print arr[0]}' file
rs16941
rs16942
rs1060915
rs1799966
rs206075

Answer 2

我会使用sed：

sed 's/.*\(rs[[:digit:]]\{1,\}\).*/\1/' file

搜索：

.*             - any character, zero or more times
\(             - begin of capturing group
rs             - the literal 'rs'
[[:digit:]]    - a digit ...
\{1,\}         - ... one or more times (can be \+ if you use GNU sed)
\)             - end of capturing group
.*             - any character, zero or more times

替换：

\1             - Content of capturing group 1

Answer 3

使用awk：

awk 'match($0, /rs[0-9]+/) { print substr( $0, RSTART, RLENGTH )}' data

这不应该是gawk，甚至可以在较旧的计算机上使用

Answer 4

另一个基于awk的解决方案，它使用下划线字符_作为字段分隔符，并打印以rs开头的字段：

awk -F'_' '{for(i=1;i<=NF;i++){if($i ~/^rs/){print $i}}}' file
rs16941
rs16942
rs1060915
rs1799966
rs206075

Answer 5

你也可以尝试这种方法

 sed 's/.*\(rs[^\_]\+\).*/\1/' fileName

<强>输出：

rs16941
rs16942
rs1060915
rs1799966
rs206075

如何从awk中的列中提取文本

5 个答案: