Question

我正在使用sed从大文件中提取。下面似乎以下面的格式提取数据，从那里我不知道如何清理文件以查看所需的输出。可能有一种更好的方式我不确定如何。谢谢你:)。

如果$2
$3中的所有逗号都会转到;
$3文本已删除前面的空格
输出

文件以空格分隔

81201 APC   gene analysis; full gene sequence
81210 BRAF  , gene analysis, full gene sequence, V600 variant

所需的输出制表符分隔

81201   APC gene analysis;full gene sequence
81210   BRAF    gene analysis;full gene sequence;V600 variant

SED

sed -e 's/([^()]*)//g' file.txt | sed '$!N;s/\n/ /' > file

原始文件

81201 APC (adenomatous polyposis coli) (eg, familial adenomatosis 
polyposis [FAP], attenuated FAP) gene
analysis; full gene sequence
81210 BRAF (B-Raf proto-oncogene, serine/threonine kinase) (eg, colon 
cancer), gene analysis, V600 variant(s)

Answer 1

我不确定所显示的命令是否按预期工作，但由于这不是您问题的一部分，我将忽略它。

这是一种使用几个相对简单的表达式进行最终清理的方法：

sed -e 's/^\s*\([^ \t]\+\)\s\+\([^ \t]\+\)\s\+[,;]\?\s*\(.*\)/\1\t\2\t\3/' \
    -e 's/[,;]\s*/;/g'

第一个表达式仅捕获您想要的部分：没有多余的空格或逗号。粗体部分表示保留的捕获组。第二部分用分号替换所有逗号，因为在应用表达式时第三个字段之外不应该有任何逗号。请注意，sed始终使用贪婪量词，以便\s\+正确处理空白问题。

根据您的sed版本，您可能需要稍微进行转义。您可能还需要将\s替换为[ \t]。

<强>输入

81201 APC   gene analysis; full gene sequence
81210 BRAF  , gene analysis, full gene sequence, V600 variant

<强>输出

81201   APC     gene analysis;full gene sequence
81210   BRAF    gene analysis;full gene sequence;V600 variant

sed格式化文件中提取的文本

1 个答案: