使用 sed 删除两个 space 字符之间的字符串
Remove string between two space characters with sed
不知何故我无法解决这个问题。我有以下字符串：
>sp.A9L976 PSBA_LEMMI Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
我想使用 sed 删除第 1 次和第 2 次出现 space 之间的字符串。因此，在这种情况下，应该删除 PSBA_LEMMI。前两个 space 之间的字符串不包含任何特殊字符。
到目前为止，我尝试了以下方法：
sed 's/\s.*\s/\s/'
但这会删除最后出现的 space 字符串之前的所有内容，结果为：>sp.A9L976 TESTgene=psbA。我认为通过省略贪婪表达式 g sed 将只匹配字符串的第一次出现。我也试过：
sed 's/(?<=\s).*(?=\s)//'
但这没有匹配/删除任何东西。有人可以帮我吗？我错过了什么？
您可以使用
sed -E 's/\s+\S+\s+/ /'
sed -E 's/[[:space:]]+[^[:space:]]+[[:space:]]+/ /'
两个POSIX ERE模式是一样的，它们匹配一个或多个白色space，一个或多个非白色space，以及一个或多个白色spaces, just \s and \S pattern can only be used in the GNU sed version.
请注意，您不能在替换部分使用 \s 作为白色 space 字符。 \s 是一个正则表达式模式，正则表达式用于 LHS（左侧）以搜索 whitespaces。因此，需要文字 space 将 替换为 a space.
由于您还可以使用 awk 解决方案，因此您可以使用
awk '{=""}1' file
此处，行（“记录”）被拆分为白色的“字段”space（这是默认的字段分隔符），第二个字段（</code>）的值被清除使用 <code>{ = ""} 和 1 强制 awk 输出结果（调用默认的 print 命令）。
你可以试试这个sed
sed 's/\(\.[^\s]*\) .[^\s]* \(.*\)/ /' input_file
这利用分组来排除 space 的第一次和第二次出现之间的匹配。
输出
>sp.A9L976 Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
要按您指定的方式编辑 fasta 文件的 header，请使用此 Perl one-liner:
echo '>sp.A9L976 PSBA_LEMMI Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA' | perl -lpe 's{^(>\S+\s+)\S+\s+}{}'
打印：
>sp.A9L976 Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
请注意，它仅更改 fasta headers，即使在相对罕见的序列有空格的情况下，也能保持序列完整。这在生物信息学应用中很重要：
echo ">sp.A9L976 PSBA_LEMMI Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA\nACTG ACTG ACTG" | perl -pe 's{^(>\S+\s+)\S+\s+}{}'
打印：
>sp.A9L976 Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
ACTG ACTG ACTG
要就地编辑文件：
perl -i.bak -lpe 's{^(>\S+\s+)\S+\s+}{}' in_file.fasta
Perl one-liner 使用这些命令行标志：
-e ：告诉 Perl 查找代码 in-line，而不是在文件中。
-p ：一次循环输入一行，默认情况下将其分配给 $_ 。在每次循环迭代后添加 print $_。
-l : 在执行代码 in-line 之前去除输入行分隔符（默认情况下在 *NIX 上为 "\n"），并在打印时附加它。
-i.bak：编辑输入文件in-place（覆盖输入文件）。覆盖之前，通过在其名称后附加扩展名 .bak.
来保存原始文件的备份副本
这里，
^ : 行首。
> : 文字“大于”字符，它标志着 fasta 格式规范中 header 的开始。
\S+：1 个或多个 non-whitespace 个字符。
\s+ : 1 个或多个空白字符。
</code> ：第一个捕获的模式。使用括号进行捕获：<code>(...).
另见：
perldoc perlrun: how to execute the Perl interpreter: command line switches
perldoc perlre: Perl regular expressions (regexes)
不知何故我无法解决这个问题。我有以下字符串：
>sp.A9L976 PSBA_LEMMI Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
我想使用 sed 删除第 1 次和第 2 次出现 space 之间的字符串。因此，在这种情况下，应该删除 PSBA_LEMMI。前两个 space 之间的字符串不包含任何特殊字符。
到目前为止，我尝试了以下方法：
sed 's/\s.*\s/\s/'
但这会删除最后出现的 space 字符串之前的所有内容，结果为：>sp.A9L976 TESTgene=psbA。我认为通过省略贪婪表达式 g sed 将只匹配字符串的第一次出现。我也试过：
sed 's/(?<=\s).*(?=\s)//'
但这没有匹配/删除任何东西。有人可以帮我吗？我错过了什么？
您可以使用
sed -E 's/\s+\S+\s+/ /'
sed -E 's/[[:space:]]+[^[:space:]]+[[:space:]]+/ /'
两个POSIX ERE模式是一样的，它们匹配一个或多个白色space，一个或多个非白色space，以及一个或多个白色spaces, just \s and \S pattern can only be used in the GNU sed version.
请注意，您不能在替换部分使用 \s 作为白色 space 字符。 \s 是一个正则表达式模式，正则表达式用于 LHS（左侧）以搜索 whitespaces。因此，需要文字 space 将 替换为 a space.
由于您还可以使用 awk 解决方案，因此您可以使用
awk '{=""}1' file
此处，行（“记录”）被拆分为白色的“字段”space（这是默认的字段分隔符），第二个字段（</code>）的值被清除使用 <code>{ = ""} 和 1 强制 awk 输出结果（调用默认的 print 命令）。
你可以试试这个sed
sed 's/\(\.[^\s]*\) .[^\s]* \(.*\)/ /' input_file
这利用分组来排除 space 的第一次和第二次出现之间的匹配。
输出
>sp.A9L976 Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
要按您指定的方式编辑 fasta 文件的 header，请使用此 Perl one-liner:
echo '>sp.A9L976 PSBA_LEMMI Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA' | perl -lpe 's{^(>\S+\s+)\S+\s+}{}'
打印：
>sp.A9L976 Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
请注意，它仅更改 fasta headers，即使在相对罕见的序列有空格的情况下，也能保持序列完整。这在生物信息学应用中很重要：
echo ">sp.A9L976 PSBA_LEMMI Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA\nACTG ACTG ACTG" | perl -pe 's{^(>\S+\s+)\S+\s+}{}'
打印：
>sp.A9L976 Photosystem II protein D1 organism=Lemna minor taxid=4472 gene=psbA
ACTG ACTG ACTG
要就地编辑文件：
perl -i.bak -lpe 's{^(>\S+\s+)\S+\s+}{}' in_file.fasta
Perl one-liner 使用这些命令行标志：
-e ：告诉 Perl 查找代码 in-line，而不是在文件中。
-p ：一次循环输入一行，默认情况下将其分配给 $_ 。在每次循环迭代后添加 print $_。
-l : 在执行代码 in-line 之前去除输入行分隔符（默认情况下在 *NIX 上为 "\n"），并在打印时附加它。
-i.bak：编辑输入文件in-place（覆盖输入文件）。覆盖之前，通过在其名称后附加扩展名 .bak.
这里，
^ : 行首。
> : 文字“大于”字符，它标志着 fasta 格式规范中 header 的开始。
\S+：1 个或多个 non-whitespace 个字符。
\s+ : 1 个或多个空白字符。
</code> ：第一个捕获的模式。使用括号进行捕获：<code>(...).
另见：
perldoc perlrun: how to execute the Perl interpreter: command line switches
perldoc perlre: Perl regular expressions (regexes)