在匹配模式之前打印字符

Question

以下是 awk 命令的组合

awk '
    {if ($0~/>/) {head=$0;getline}
    {if($0~/pattern/) print head"\n"$0}}' filename1 | 
awk 
   'BEGIN  {pos=0;char=0}
    {if($0~/>/) head=$0;getline}
    {pos=0; 
     if($0~/pattern/)
       {pos=match($0,/pattern/);char=substr($0,pos,55)} 
     print head"\n"char}'

上面一个效果很好，我想在识别模式“AATTGGCC”后捕获 55 个字符。问题是如何获得匹配模式的 55 个字符前缀（匹配模式之前的 55 个单词）。 是的，我可以用 perl 编写整个内容，但是由于我在 awk 中有上述内容，所以想知道是否可以以某种方式修改它。

谢谢

Answer 1

这有点蛮力，但您可以使用 AATTGGCC 之前有 55 个句点的模式，

例如：

/................................ .........................AATTGGCC/ {print substr(%$0,1,55)}

应该做窍门。最好看看 awk 正则表达式是否支持子表达式。

但最好是使用 Python 和像 pygep 这样的库，因为 Python 在生物信息学。

Answer 2

下面是打印模式前面的一些字符的演示：

echo 'abcdefghijklmnopqrstuvwxyz' | 
    awk 'BEGIN {pat = "jkl"; n = 5} 
        pat {
            i = index($0,pat);
            print substr($0, i-n, n + length(pat))
        }'

输出（“jkl”和“jkl”之前的五个字符）：

efghijkl

如果您的数据有换行符并且您想要输出的字符序列跨越换行符，您将需要累积行，删除换行符并在缓冲区变量中保留足够的字符，以便可以输出它们。

无论如何，这是脚本的简化版本。它可能无法正常工作，但它更具可读性并且更 AWKish。我没有对它做任何事情来尝试让它执行您所需的功能，也没有测试过它。

awk '

    />/ {head = $0; getline}

    /pattern/ print head "\n" $0

    ' filename1 | 
awk '

    BEGIN  {pos = 0; char = 0}

    />/) {head = $0; getline}
    {
        pos = 0; 
        if ($0 ~ /pattern/) {
            pos = match($0, /pattern/); char = substr($0, pos, 55)
        } 
        print head "\n" char
    }'

Answer 3

如果没有一些示例输入，就很难测试，但我相信您的 C 风格 awk 可以简化为：

awk -v pattern="abcd_or_whatever" -v n=55'
    />/ {head=$0; next}
    pos = match($0, pattern) {print head "\n" substr($0, pos, n)} 
'

并且要在比赛前获取 55 个字符，您只需将 substr 参数更改为 substr( $0, pos-n, n)

Answer 4

感谢大家的建议。
关于 awk 代码的格式，我没有在正确的脚本或任何内容中执行它。这一切都是在命令行中进行的，因此有很多输出的“管道”。但我确实理解，并且每当寻求帮助时都会尝试以正确的格式编写代码。

我发现 awk 中的 RSTART 是一个跟踪匹配模式的变量，因此我能够按如下方式使用它（这只是实际命令的一部分）。

awk 'BEGIN{pos=0;char=0}{if($0~/>/) head=$0;getline} {pos=0;if($0~/pattern/) {match($0,/pattern/);char=substr($0,RSTART-47,47)}print head"\n"char}'.

这将从匹配模式返回 47 个字符并打印它。