管道 awk 和 grep 以保存文件的特定字段

Question

我想达到的目标：

grep: 提取包含重叠群编号和长度的行
awk: 从第 2 列中删除“长度：”
排序：按长度排序（降序）

当前代码

grep "length:" test_reads.fa.contigs.vcake_output | awk -F:'{print }' |sort -g -r > contig.txt

test_reads.fa.contigs.vcake_output的示例内容：

>Contig_11 length:42
ACTCTGAGTGATCTTGGCGTAATAGGCCTGCTTAATGATCGT
>Contig_0 length:99995
ATTTATGCCGTTGGCCACGAATTCAGAATCATATTA

预期输出

>Contig_0 99995
>Contig_11 42

Answer 1

使用您展示的示例，请在此处尝试遵循 awk + sort 解决方案。

awk -F'[: ]' '/^>/{print ,}' Input_file | sort -nrk2

解释：简单的解释就是，运行awk程序读取Input_file首先，将字段分隔符设置为 : 或 space 并检查行是否从 > 开始的条件，然后打印其第一个和第二个字段，然后将其输出（作为标准输入）发送到 sort 命令从第二个字段对其进行排序以获得所需的输出。

Answer 2

也许是这样，结合 grep 和 awk:

awk -F '[ :]' ' == "length" {print , }' file | sort ...

Answer 3

假设：

如果多行的长度相同，则使用 'version' 排序对第一列进行额外排序

向示例输入添加一些额外的行：

$ cat test_reads.fa.contigs.vcake_output
>Contig_0 length:99995
ATTTATGCCGTTGGCCACGAATTCAGAATCATATTA
>Contig_11 length:42
ACTCTGAGTGATCTTGGCGTAATAGGCCTGCTTAATGATCGT
>Contig_17 length:93
ACTCTGAGTGATCTTGGCGTAATAGGCCTGCTTAATGATCGT
>Contig_837 ignore-this-length:1000000
ACTCTGAGTGATCTTGGCGTAATAGGCCTGCTTAATGATCGT
>Contig_8 length:42
ACTCTGAGTGATCTTGGCGTAATAGGCCTGCTTAATGATCGT

一个sed/sort想法：

$ sed -rn 's/(>[^ ]+) length:(.*)$/ /p' test_reads.fa.contigs.vcake_output | sort -k2,2nr -k1,1V

其中：

-En - 启用扩展的正则表达式支持并抑制输入数据的正常打印
(>[^ ])+) -（第一个捕获组）- > 后跟 1 个或多个 non-space 个字符
length: - space 后跟 length:
(.*) -（第二个捕获组）- 0 个或多个字符（冒号后）
$ - 行尾
/p - 打印第一个捕获组 + <space> + 第二个捕获组
-k2,2nr - 按 reverse numeric order
-k1,1V - 按 V 版本顺序

这会生成：

>Contig_0 99995
>Contig_17 93
>Contig_8 42
>Contig_11 42

Answer 4

这是一个 gnu-awk 解决方案，无需调用 sort:

，只需一条命令即可完成所有操作

awk -F '[:[:blank:]]' '
 == "length" {arr[] = }
END {
   PROCINFO["sorted_in"] = "@ind_num_asc"
   for (i in arr)
      print i, arr[i]
}' file

>Contig_0 99995
>Contig_11 42

管道 awk 和 grep 以保存文件的特定字段

Pipe awk and grep to save a particular field of a file

linux

shell

awk

grep