使用AWK GGSUB计算正确数量的字符数

Question

我正在尝试以序列（FASTA格式）计算特定字符模式的数量。就我而言，我想计算上下文“ CC”以顺序存在的频率。整个脚本都很好，但是我遇到了一个小问题。

对于计算“ CC”上下文，我使用脚本的以下部分：

CC=gsub(/CC/,"CC");
print CC

当我具有这样的快速序列时，我会遇到问题：

>name_sequence_1
CCCCC 

在这种情况下，CC的数量应为4（位置1-2，2-3， 3-4和4-5），但是GSUB给了我数字2，因为在替换第一个CC之后，它跳到了第3 C等。

有什么办法可以解决使用GSUB的方法，还是可以使用其他代码来计算此类上下文？

谢谢！

Answer 1

假设您说的预期输出是错误的：这可能是您要做的事情：

$ echo 'CCCCC' |
    awk '{
        str = $0
        cnt = 0
        while ( sub(/CC/,"C",str) ) {
            cnt++
        }
        print cnt
    }'
4

$ echo 'CCCACCCCC' |
    awk '{
        str = $0
        cnt = 0
        while ( sub(/CC/,"C",str) ) {
            cnt++
        }
        print cnt
    }'
6

但是，这是一个更强大的一般解决方案，即使目标字符串不重复1个字符和/或包含Regexp或BackReference Metachars：

$ echo 'CCCCC' |
    awk '{
        cnt = 0
        for ( i=1; i<length($0); i++ ) {
            cnt += ( substr($0,i,2) == "CC" )
        }
        print cnt
    }'
4

$ echo 'CCCACCCCC' |
    awk '{
        cnt = 0
        for ( i=1; i<length($0); i++ ) {
            cnt += ( substr($0,i,2) == "CC" )
        }
        print cnt
    }'
6