Question

我的文件很大，看起来像这样：

ENST00000629289"; transcript_version "2"; exon_number "22"; gene_name "CDK11B"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "CDK11B-208"; transcript_source "ensembl"; transcript_biotype "protein_coding"; exon_id "ENSE00001594002"; exon_version "1"; tag "basic"; transcript_support_level "5";
ENST00000629289"; transcript_version "2"; exon_number "22"; gene_name "CDK11B"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "CDK11B-208"; transcript_source "ensembl"; transcript_biotype "protein_coding"; exon_id "ENSE00001594002"; exon_version "1"; tag "basic"; transcript_support_level "5";
ENST00000629289"; transcript_version "2"; exon_number "22"; gene_name "CDK11B"; gene_source "ensembl_havana"; gene_biotype "protein_coding"; transcript_name "CDK11B-208"; transcript_source "ensembl"; transcript_biotype "protein_coding"; protein_id "ENSP00000485937"; protein_version "1"; tag "basic"; transcript_support_level "5";

我想提取所有唯一以特定字符“ENST”开头的字词我尝试了以下命令：

 sed 's/.*\(ENST.*transcript_version\)/\1/p'

但它打印出所有线条。有人会帮我这个吗？

Answer 1

使用grep和-o选项仅打印匹配的部分：

grep -Po '^ENST.*transcript_version' file

Answer 2

使用sed

sed -E 's/^(ENST[[:digit:]]*.*transcript_version).*$/\1/' test11
ENST00000629289"; transcript_version
ENST00000629289"; transcript_version
ENST00000629289"; transcript_version

_{注意：-E选项启用扩展正则表达式，如果不支持，则使用-r选项。此外，我觉得最优雅的解决方案是[ this ]。}

Answer 3

您似乎对sed解决方案感兴趣，或者您可能因某些不寻常的原因需要一个sed解决方案（否则我推荐一个grep解决方案，例如像这里提供的其他答案。可能不容易检查转录本在那里，但不打印它，我相信你的描述意味着，虽然你的代码是不同的。至少没有greps -P选项;例如在我的grep中不可用。或者使用perl或awk。）

为了：

仅从匹配的行打印，使用-n
仅打印＆＃34; ENST00000629289＆＃34 ;; transcript_version＆＃34;，最后使用另一个.*
不打印＆＃34 ;; transcript_version＆＃34; （不确定你是否真的想要那个），移动\)
仅打印＆＃34; ENST *＆＃34;使用更严格的正则表达式[[:alnum:]]*\).*（上面带\)）

代码：

sed -n 's/.*\(ENST[[:alnum:]]*\).*transcript_version.*/\1/p'

输出：

ENST00000629289
ENST00000629289
ENST00000629289

代码2（包括＆＃34;成绩单＆＃34;，如果你想要的话）：

sed -n 's/.*\(ENST[[:alnum:]]*.*transcript_version\).*/\1/p'

输出2：

ENST00000629289"; transcript_version
ENST00000629289"; transcript_version
ENST00000629289"; transcript_version

我的sed：
GNU sed版本4.2.1

如何使用bash从大文件中提取所有以特定字符开头的单词？

3 个答案: