代码之家 › 专栏 › 技术社区 › Rohan Nath

如何使用Bash命令提取具有多行的簇?

grep sed awk bash

Rohan Nath · 技术社区 · 3 月前

我正在尝试使用Bash命令从文本文件中提取集群。每个簇由以>簇我只想提取那些包含多个数据行的集群。以下是我的输入文件的简化示例:

>Cluster 199
0       2599aa, >CAD5117741.1... *
>Cluster 200
0       2579aa, >CAD5112262.1... *
>Cluster 201
0       2578aa, >CAD5116287.1... *
>Cluster 202
0       2578aa, >CAD5122864.1... *
1       1867aa, >CAD5122865.1... at 100.00%
2       2369aa, >CAD5122866.1... at 100.00%
>Cluster 203
0       2573aa, >CAD5110750.1... *
>Cluster 204
0       2571aa, >CAD5116249.1... *
>Cluster 205
0       2558aa, >CAD5122682.1... *
>Cluster 206
0       2553aa, >CAD5126525.1... *
>Cluster 207
0       2551aa, >CAD5115834.1... *

在这个例子中,我只想提取集群202,因为它里面有多行数据。所需的输出是:

>Cluster 202
0       2578aa, >CAD5122864.1... *
1       1867aa, >CAD5122865.1... at 100.00%
2       2369aa, >CAD5122866.1... at 100.00%

我目前正在使用awk处理文件,但很难弄清楚如何正确提取这些集群。有人能指导我使用Bash命令高效地完成这项任务吗?

我尝试使用以下awk命令:

awk '/^>Cluster/ {cluster=$0; count=0; next} {count++} count > 1 {print cluster; print} count == 0 {print cluster}'

当应用于所提供的数据时,它会产生以下输出:

>Cluster 202 2 2369aa, >CAD5122866.1... at 100.00%

这个输出是不完整的,因为它应该包括簇202内的所有行。

3 回复 | 直到 3 月前

Antonio Petricca 3 月前

这是一个简单的工作脚本(刚刚测试过,没有 awk ):

#!/bin/bash

function process_cluster {
    
    input_file=$1
    current_cluster=""
    data_rows=0

    while read -r line; do
        if [[ $line == ">Cluster "* ]]; then
            if [[ $data_rows -gt 1 ]]; then
                echo -e "$current_cluster" 
            fi
            
            current_cluster="$line"  
            data_rows=0
        else
            ((data_rows++))
            current_cluster="$current_cluster\n$line" 
        fi
    done < $input_file

    if [[ $data_rows -gt 1 ]]; then
        echo -e "$current_cluster"
    fi

}

process_cluster clusters.txt > output.txt

请记住将输入数据保存到名为的文件中 clusters.txt 或者将其更改为上述脚本。

Inian 3 月前

或者在Awk中完全按照下面的1-pass进行操作。使用集群名称作为主键,并在名称后面附加内容。最后,打印所有具有多行的记录。

awk '
/^>Cluster/ {
    name = $0
    next
}
{
    content[name] = (content[name] ? (content[name] RS $0) : ($0))
    lines[name]++
}
END {
    for (c in content)
        if (lines[c] > 1)
            print c ORS content[c]
}' file

oguz ismail 3 月前

用锥子分两次通过:

awk '/^>/{h=$0} NR==FNR{c[h]++;next} c[h]>2' file file

Ed Morton 3 月前

在1次读取输入并仅存储1的过程中使用任意awk ^> -在内存中一次分离的记录:

awk '
    /^>/ { prt(); rec=$0; next }
    { rec = rec ORS $0 }
    END { prt() }
    function prt() { if (gsub(ORS,"&",rec)>1) print rec }
' file
>Cluster 202
0       2578aa, >CAD5122864.1... *
1       1867aa, >CAD5122865.1... at 100.00%
2       2369aa, >CAD5122866.1... at 100.00%