☰

ファイル内の他の場所にある行を抽出します。

tag-icon • tag-icon bash text-processing bioinformatics
ファイル内の他の場所にある行を抽出します。

複数のファイルを解析して特定の行を抽出し、別のファイルに出力しようとしています。ただし、私のファイル内のこの情報の場所は、特定のパラメータによって変更されることがあります。

このために私は使用したいですif文。ほとんどの場合、抽出すべき内容は6行と7行にあります。

# IGBLASTN 2.5.1+
# Query: RL0575_B2_no210_RL0575_B2_ACPA_positive_LC
# Database: human_gl_V human_gl_D human_gl_J BCR_C_all.fa
# Domain classification requested: imgt

# V-(D)-J rearrangement summary for query sequence (Top V gene match, Top J gene match, Chain type, stop codon, V-J frame, Productive, Strand).  Multiple equivalent top matches having the same score and percent identity, if present, are$
IGLV4-69*01     IGLJ1*01        VL      No      In-frame        Yes     +

このために私はこうします：

a=`ls *LC.fa | awk -F "." '{print $1}'`; #here i just strip the name of the files for the loop
for i in $a;
            do cat $i.fmt7 | awk 'NR==6, NR==7' > $i.parsed.txt;
done

ただし、場合によっては6行目に追加の説明があるため、ファイルの8行目と9行目にこの情報が含まれます。

# IGBLASTN 2.5.1+
# Query: RL0624_B10_no15_RL0624_B10_ACPA_positive_LC
# Database: human_gl_V human_gl_D human_gl_J BCR_C_all.fa
# Domain classification requested: imgt

# Note that your query represents the minus strand of a V gene and has been converted to the plus strand. The sequence positions refer to the converted sequence.

# V-(D)-J rearrangement summary for query sequence (Top V gene match, Top J gene match, Chain type, stop codon, V-J frame, Productive, Strand).  Multiple equivalent top matches having the same score and percent identity, if present, are$
IGKV3-20*01     IGKJ2*01        VK      Yes     In-frame        No      -

上記と同様の方法でやりたいのですが

a=`ls *LC.fa | awk -F "." '{print $1}'`; #here i just strip the name of the files for the loop
for i in $a;  
            if [my condition?]  # <== here I do not know how to formulate the condition!
            then
               cat $i.fmt7 | awk 'NR==8, NR==9' 
            else
               cat $i.fmt7 | awk 'NR==6, NR==7' > $i.parsed.txt;
            fi
done

異なるプリアンブルの長さにもかかわらず、正しい行が抽出されるようにするにはどうすればよいですか？これらのファイルには、ここに示されているよりも多くのデータ行が含まれているため、最後の2行よりも多くの行を抽出する必要があります。

どんなアイデアにも感謝します。

答え1

ファイルに関連するデータ行が1つ含まれており、残りは空であるか、#;で始まるコメント行があるようです。しかし、最後は維持したいヘッダーです。問題はコメントの行数が異なるようです。

ジョブが実際に「構文解析された」サマリーファイルに出力するためにヘッダーとこのデータラインを抽出する場合は、次のように、開始パターンで識別されたヘッダー以外の文字awkで始まるすべての空行または行を無視するように指示できます。 。## V-(D)-J

awk '$0~/^# V-\(D\)-J/ || ($0!~/^#/ && NF>0) {print}' input_file > parsed_file

一方、ファイルに複数のデータ行が含まれていて、ヘッダーと最初のデータ行のみを印刷したい場合は、コマンドは次のようになりawkます。

awk '$0~/^# V-\(D\)-J/ {print} ($0!~/^#/ && NF>0) {print;exit}' input_file > parsed_file

シェルループでこれを行うには、次のようにします。

for file in *LC.fa
do
    infile="${file%.*}.fmt7"
    outfile="${file%.*}.parsed.txt"
    awk '$0~/^# V-\(D\)-J/ || ($0!~/^#/ && NF>0) {print}' "$infile" > "$outfile"
done

または

for file in *LC.fa
do
    infile="${file%.*}.fmt7"
    outfile="${file%.*}.parsed.txt"
    awk '$0~/^# V-\(D\)-J/ {print} ($0!~/^#/ && NF>0) {print;exit}' "$infile" > "$outfile"
done

それぞれ。

lsループは、の出力が解析されるにつれてより強力になります。つまり、強くお勧めしません。

awkコマンドのいくつかの説明

awk条件が「メイン」プログラムスペースにあり、そのルールがの「条件付きルール」構文に適用されます{ ... }。

最初の例では、条件と規則があります。

  • 逆参照により、行が正規$0表現と一致する場合^# V-\(D\)-J、つまり^文字列（）で始まります。V-(D)-J
  • または（||）もちろんいいえ#（$0!~/^#/式）で始まるそしてまた空ではありません。つまり、「フィールド区切り文字」変数で定義されたフィールドが1つ以上あります（NF>0単純に短縮することもできます）（デフォルトは空白）NF

printそれから行があります。

これにより、ヘッダーと連続したデータ行が印刷されます。

2番目の例では、関連ルールには2つの条件があります。

  • 行が文字列で始まる場合はその行です# V-(D)-J。print
  • 行いいえで始まり#、空でないprint場合はすぐにファイル処理をexit終了します。awk

このようにして「ヘッダー」が印刷されますが、最初の「データ」行に出会い、印刷されると実行を停止し、各ファイルの最初のデータ行と一緒にヘッダーのみを印刷します。

答え2

forループを設定してsedを呼び出して、解析されたファイルを生成できます。

for f in *LC.fa; do
  if=${f%.*}.fmt
  of=${f%.*}.parsed.txt
  sed -e '
    8N;9q
    6N;/\n./q;d
  ' < "$if" > "$of"
done

関連情報