特定の列から文字列の一部を抽出する

特定の列から文字列の一部を抽出する

入力として次のファイルがあります。

chr1    HAVANA  exon    11869   12227   .   +   .   gene_id "ENSG00000223972.5_2"; transcript_id "ENST00000456328.2_1"; gene_type "transcribed_unprocessed_pseudogene"; gene_name "DDX11L1"; transcript_type "processed_transcript"; transcript_name "DDX11L1-002"; exon_number 1; exon_id "ENSE00002234944.1_1"; level 2; transcript_support_level 1; tag "basic"; havana_gene "OTTHUMG00000000961.2_2"; havana_transcript "OTTHUMT00000362751.1_1"; remap_original_location "chr1:+:11869-12227"; remap_status "full_contig";
chr1    HAVANA  exon    12010   12057   .   +   .   gene_id "ENSG00000223972.5_2"; transcript_id "ENST00000450305.2_1"; gene_type "transcribed_unprocessed_pseudogene"; gene_name "DDX11L1"; transcript_type "transcribed_unprocessed_pseudogene"; transcript_name "DDX11L1-001"; exon_number 1; exon_id "ENSE00001948541.1_1"; level 2; transcript_support_level "NA"; ont "PGO:0000005"; ont "PGO:0000019"; tag "basic"; havana_gene "OTTHUMG00000000961.2_2"; havana_transcript "OTTHUMT00000002844.2_1"; remap_original_location "chr1:+:12010-12057"; remap_status "full_contig";

これはタブ区切りの9列ファイルです。

出力が次のようになるように、列1、4、5、7、および列9のgene_name部分を印刷したいと思います。

chr1    11869   12227   +   DDX11L1
chr1    12010   12057   +   DDX11L1

awkとsedの組み合わせを使用しようとしましたが、欲しいものを取得できません

awk -v OFS="\t" -F "\t" '{print $1,$4,$5,$7,$9}' | sed 's/gene_name\s"\(.+\)";\stran*/\1/'

どんな助けでも大変感謝します。

ありがとう

答え1

GNU awkがある場合は、gensub置換に適した正規表現を使用できます。たとえば、すべてがgene_idタブ区切りの単一フィールド9であるとします。

gawk -F '\t' '{$9 = gensub(/.*gene_name "([^"]*)".*/,"\\1","1",$9); print $1,$4,$5,$7,$9}' input
chr1 11869 12227 + DDX11L1
chr1 12010 12057 + DDX11L1

答え2

複数の区切り記号と組み合わせて使用​​してくださいawk

 awk -F"[\" \t]" '{print $1,$11,$14,$20,$40}' infile.txt 

答え3

awk区切り文字としてスペースを使用します。

この試み:

$ awk '{print $1, $4, $5, $7, substr($16, 2, 7) }' file
chr1 11869 12227 + DDX11L1
chr1 12010 12057 + DDX11L1

関連情報