如何从 gz 文件中提取特定文本？

Question

我需要从我的 fastq.gz 数据中提取 5 到 11 个字符，这个数据对于 R 中的运行来说太大了。所以我想知道我是否可以直接在 Linux命令行？ fastq 文件如下所示：

@NB501399:67:HFKTCBGX5:1:11101:13202:1044 1:N:0:CTTGTA
GAGGTNACGGAGTGGGTGTGTGCAGGGCCTGGTGGGAATGGGGAGACCCGTGGACAGAGCTTGTTAGAGTGTCCTAGAGCCAGGGGGAACTCCAGGCAGGGCAAATTGGGCCCTGGATGTTGAGAAGCTGGGTAACAAGTACTGAGAGAAC
+
    AAAAA#EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAAAEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAE6

@NB501399:67:HFKTCBGX5:1:11101:1109:1044 1:N:0:CTTGTA
TAGGCNACCTGGTGGTCCCCCGCTCCCGGGAGGTCACCATATTGATGCCGAACTTAGTGCGGACACCCGATCGGCATAGCGCACTACAGCCCAGAACTCCTGGACTCAAGCGATCCTCCAGCCTCAGCCTCCCGAGTAGCTGGGACTACAG
+

而我只想把位于序列部分的第5到11个字符（第一个是TNACGG，第二个是CNACCT）提取出来做成一个新的txt文件。我可以这样做吗？

Answer 1

您可以将 GNU sed 与 zcat 一起使用：

zcat fastq.gz | sed -n '2~5{s/.\{4\}\(.\{6\}\).*//;p}'

-n表示默认不打印行
2~5表示从第2行开始，每5行匹配一次
当"address"匹配时，替换记住</code>中的第五到第十个字符并用它替换整行，<code>p打印结果

Answer 2

另一个使用 zgrep 和正面回顾：

$ zgrep -oP "(?<=^[ACTGN]{4})[ACTGN]{6}" foo.gz
TNACGG
CNACCT

解释：

zgrep : man zgrep: 在可能的压缩文件中搜索正则表达式
-o 仅打印匹配行的匹配（非空）部分
-P 将模式解释为 Perl 兼容的正则表达式 (PCRE)。
(?<=^[ACTGN]{4}) 正面回顾
[ACTGN]{6} 匹配前面有 6 个命名字符
foo.gz我的测试文件

Answer 3

$ zcat fastq.gz | awk '(NR%5)==2{print substr([=10=],5,6)}'
TNACGG
CNACCT

如何从 gz 文件中提取特定文本？

How to extract a specific text from gz file?

linux

awk

grep

sed

fastq