Grep -A1 -f returns 结果多于应有的结果
Grep -A1 -f returns more results than it should
这是我的问题：
我有一个 fasta 文件，其中包含这样的遗传数据 (my.fasta):
>TR1|c0_g1_i1
GTCGAGCATGGTCTTGGTCATCT
>TR2|c0_g1_i1
AAGCAGTGCAGAAGAACTGGCGAA...
我还有一个名称列表，它是 my.fasta 文件的一个子集，我想为它们提取序列 (names.list):
TR3|c0_g1_i1
TR4|c0_g1_i1
我想得到的是这个：
>TR3|c0_g1_i1
CGGATCATGGTCTTGGTCAAAA
>TR4|c0_g1_i1
ATTGGGGGTTTTAAACTGGCGAA...
我在做：grep -A1 -f names.list my.fasta | grep -v "^--$" > new.fasta
但是！我的 names.list 中有 30566 个名字，当我这样做时 grep -c ">" new.fasta 我得到 31080.
我grep ">" new.fasta | cut -d' ' -f1 | tr -d '>' > new.names.list
然后 cat names.list new.names.list > names.all.list
和 sort names.all.list | uniq -c | grep " 1 " | | sed -r 's/ 1 //' > names.extra.list 并最终得到额外的 514 个名称。他们是怎么到那里的？！
整个 my.fasta 的名称列表：http://speedy.sh/PQpdD/names.myfasta.list
我想要的子集的名称列表：http://speedy.sh/kzqKr/names.list
谢谢！
您的一些名字相互包含，例如：TR74928|c6_g4_i1 和 TR74928|c6_g4_i10。所以 grep 会 return 你每行有一个以上的结果。
解决这个问题：
sed -e 's/^/>/g' names.list > copy.list
获取前缀为 > 的名称，就像在您的文件 my.fasta 中一样，然后：
grep -A1 -x -f copy.list my.fasta | grep -v "^--$" > new.fasta
精确匹配包含您的标识符的行。
-x, --line-regexp
Select only those matches that exactly match the whole line. This
option has the same effect as anchoring the expression with ^ and $.
一个更简单的解决方案是：
grep -A1 -w -f names.list my.fasta | grep -v "^--$" > new.fasta
但这只有在 my.fasta 中的标识符行不超过一个 "word"（标识符）时才有效。
-w, --word-regexp
Select only those lines containing matches that form whole words. The
test is that the matching substring must either be at the beginning of
the line, or preceded by a non-word constituent character. Similarly,
it must be either at the end of the line or followed by a non-word
constituent character. Word-constituent characters are letters,
digits, and the underscore.
这是我的问题：
我有一个 fasta 文件，其中包含这样的遗传数据 (my.fasta):
>TR1|c0_g1_i1
GTCGAGCATGGTCTTGGTCATCT
>TR2|c0_g1_i1
AAGCAGTGCAGAAGAACTGGCGAA...
我还有一个名称列表，它是 my.fasta 文件的一个子集，我想为它们提取序列 (names.list):
TR3|c0_g1_i1
TR4|c0_g1_i1
我想得到的是这个：
>TR3|c0_g1_i1
CGGATCATGGTCTTGGTCAAAA
>TR4|c0_g1_i1
ATTGGGGGTTTTAAACTGGCGAA...
我在做：grep -A1 -f names.list my.fasta | grep -v "^--$" > new.fasta
但是！我的 names.list 中有 30566 个名字，当我这样做时 grep -c ">" new.fasta 我得到 31080.
我grep ">" new.fasta | cut -d' ' -f1 | tr -d '>' > new.names.list
然后 cat names.list new.names.list > names.all.list
和 sort names.all.list | uniq -c | grep " 1 " | | sed -r 's/ 1 //' > names.extra.list 并最终得到额外的 514 个名称。他们是怎么到那里的？！
整个 my.fasta 的名称列表：http://speedy.sh/PQpdD/names.myfasta.list 我想要的子集的名称列表：http://speedy.sh/kzqKr/names.list
谢谢！
您的一些名字相互包含，例如：TR74928|c6_g4_i1 和 TR74928|c6_g4_i10。所以 grep 会 return 你每行有一个以上的结果。
解决这个问题：
sed -e 's/^/>/g' names.list > copy.list
获取前缀为 > 的名称，就像在您的文件 my.fasta 中一样，然后：
grep -A1 -x -f copy.list my.fasta | grep -v "^--$" > new.fasta
精确匹配包含您的标识符的行。
-x, --line-regexp Select only those matches that exactly match the whole line. This option has the same effect as anchoring the expression with ^ and $.
一个更简单的解决方案是：
grep -A1 -w -f names.list my.fasta | grep -v "^--$" > new.fasta
但这只有在 my.fasta 中的标识符行不超过一个 "word"（标识符）时才有效。
-w, --word-regexp Select only those lines containing matches that form whole words. The test is that the matching substring must either be at the beginning of the line, or preceded by a non-word constituent character. Similarly, it must be either at the end of the line or followed by a non-word constituent character. Word-constituent characters are letters, digits, and the underscore.