grep (bash) 多线模式

Question

In bash (4.3.46(1(( 我有一些多行所谓的fasta记录，其中每条记录都是由>name和以下行DNA序列([AGCTNacgtn](在线启动的，这里有三条记录：

>chr1
AGCTACTTTT
AGGGNGGTNN
>chr2
TTGNACACCC
TGGGGGAGTA
>chr3
TGACGTGGGT
TCGGGTTTTT

如何使用 bash grep 获得第二条记录？在其他语言中，可以使用：

>chr2n([AGCTNagctn]*n)*

在 Bash 中，我试图使用这里的想法(以及其他 SO(。这不起作用：

grep -zo '>chr2[AGCTNacgtn]+' file 

结果应为：

>chr2
TTGNACACCC
TGGGGGAGTA

溶液

在我的系统上，这是解决方案(几乎是赛勒斯的下面，即没有管道到第二个grep .(：

grep -Pzo '>chr1n[AGCTNacgtnn]+' file

Answer 1

使用 GNU grep：

grep -Pzo '>chr2n[AGCTNacgtnn]+' file | grep .

输出：

>CHR2TTGNACACCCTGGGGGAGTA

Answer 2

您可以将awk与自定义RS一起使用：

awk -v n=2 -v RS='(^|n)>' 'NR==n+1{print ">" $0}' file    
>chr2
TTGNACACCC
TGGGGGAGTA

Answer 3

你应该安装 FAST perl 软件包。它包含许多可从shell直接用于处理fasta文件的实用程序，如fashead或fastail(以及更多(

安装后很简单：

fashead -n2 fastafile | fastail -n1

输出

>chr2
TTGNA.....

甚至更简单

fasgrep chr2 fastafile

具有相同的输出...

Answer 4

试试这个 -

grep 'chr2' -A 2 file
>chr2
TTGNACACCC
TGGGGGAGTA

Answer 5

处理多行记录的最佳工具是 awk 。

在您的情况下：

awk 'BEGIN{RS=">"} NR==2 {print RS$0}' input.txt

输入.txt

>chr1
AGCTACTTTT
AGGGNGGTNN
>chr2
TTGNACACCC
TGGGGGAGTA
>chr3
TGACGTGGGT
TCGGGTTTTT

解释：

BEGIN{RS=">"} 最初将记录分隔符设置为">"

NR==2仅针对记录 #2 的筛选器

{print RS$0}打印带有缺失记录分隔符的记录 #2

Answer 6

创建了 sedgrep 混合版本以通用方式支持...您可以使用此 sedgrep shell 命令，该命令可在https://github.com/iamdvr/sedgrep-shell-util

直接链接：https://github.com/iamdvr/sedgrep-shell-util/blob/main/sedgrep

对于您的情况，直接命令是这个...

cat <FILE_NAME> | sed -nr ':main; /^>.*chr2/ { :loop; p; n; /^>/ b main; b loop} '

sedgrep 用法如下...

Default NEW_LINE_PATTERN is ^[
Usage : 
    cat {INPUT_FILE_NAME}  | sedgrep  {NEW_LINE_PATTERN} {THREAD_OR_SEARCH_PATTERN} 
    cat {INPUT_FILE_NAME}  | sedgrep  {THREAD_OR_SEARCH_PATTERN} 
    sedgrep {NEW_LINE_PATTERN} {THREAD_OR_SEARCH_PATTERN} {INPUT_FILE_NAME}
    sedgrep {THREAD_OR_SEARCH_PATTERN} {INPUT_FILE_NAME}
Example : 
    cat sampleInput.log | sedgrep 2016-05-23 DB_CONN
    cat sampleInput.log | sedgrep DB_CONN
    sedgrep 2016-05-23 DB_CONN sampleInput.log
    sedgrep DB_CONN sampleInput.log