查找和替换文件中与另一个文件中的字符串匹配的子字符串

Posted 2023-03-11

【中文标题】查找和替换文件中与另一个文件中的字符串匹配的子字符串

【英文标题】：find and replace substrings in a file which match strings in another file

【发布时间】：2020-03-25 12:03:21

【问题描述】：

我有两个 txt 文件：File1 是一个有 9 列的 tsv。以下是它的第一行（SRR6691737.359236/0_14228//11999_12313 是第一列，Repeat 之后是第 9 列）：

SRR6691737.359236/0_14228//11999_12313  Censor  repeat  5       264     1169    +       .       Repeat BOVA2 SINE 1 260 9

File2 是一个有 9 列的 tsv。以下是它的第一行（Read 之后是第 9 列）：

CM011822.1  reefer  discordance 63738705    63738727    .   +   .   Read SRR6691737.359236 11999 12313; Dup 277

文件1包含读取名称（SRR6691737.359236）、读取长度（0_14228)和坐标（11999_12313）的信息，而文件2仅包含读取名称和坐标。文件1中的所有读取名称和坐标都存在于文件2中，但 file2 也可能包含具有不同坐标的相同读取名称。此外，file2 包含 file1 中不存在的读取名称。

我想编写一个脚本，在 file2 中找到与 file1 中的匹配的读取名称和坐标，并将读取长度从 file1 添加到 file2。即更改file2的最后一列：

Read SRR6691737.359236 11999 12313; Dup 277

到：

Read SRR6691737.359236/0_14228//11999_12313; Dup 277

有什么帮助吗？

【问题讨论】：

欢迎来到SO，不清楚。您能否提供输入样本和预期输出样本以及您的努力，然后让我们知道。

请发布您已经尝试过的内容

问题令人费解且不一致。请提供更多重复的样本输入和相应的输出。文件描述和字段分隔符与 TSV 文件不一致。请改进解释。

【参考方案1】：

如果不清楚您的输入文件的外观。

你写：

我有两个 txt 文件：File1 是一个有 9 列的 tsv。以下是 它的第一行（SRR6691737.359236/0_14228//11999_12313 是第一行 列，重复之后是第 9 列）：

SRR6691737.359236/0_14228//11999_12313  Censor  repeat  5       264     1169    +       .       Repeat BOV, ancd A2 SINE 1 260 9

如果我尝试检查列（并将它们放在“列，值”对中）： 列，值 1、SRR6691737.359236/0_14228//11999_12313 2、审查员 3、重复 4,5 5,264 6,1169 7,+ 8、。 9、重复 10、宝瓦2 11、正弦波 12,1 13,260 14,9

那好像有 14 列，你指定 9 列...

您能否编辑您的问题并明确说明这一点？ 即指定为 csv SRR6691737.359236/0_14228//11999_12313,Censor,repeat,5,.....

添加信息，反馈后： file1 包含以下字段（tab-, ancd 分隔）：

SRR6691737.359236/0_14228//11999_12313 审查员 5 264 1169 + . 重复 BOVA2 SINE 1 260 9

您想将此（使用脚本）转换为制表符分隔的文件：

CM011822.1 冷藏 距离 63738705 63738727 + . 读SRR6691737.359236 11999 12313 重复 277

需要更多信息来解决这个问题！

字段 1：“CM011822.1”的信息如何/从何而来？

字段 2 和 3：“冷藏”/“距离”。这是固定文本吗，应该和这些字段始终包含这些文本还是有例外？

字段 4 和 5：这些值 (63738705 ; 63738727) 来自哪里？

好吧，很明显，这里有很多问题要问……

第二次改变...：

创建一个文件，命名为'mani.awk'：

FILENAME=="file1"
        split($1,a,"/");
        x=a[1] " " a[4];
        y=x; gsub(/_/," ",y);
        r[y]=$1;
        c=1; for (i in r)  print c++,i,"....",r[i]; 

FILENAME=="file2"
        print "<--", $0, "--> " ;
        for (i in r) 
                if ($9 ~ i) 
                        print "B:" r[i];
                        split(r[i],b,"/");
                        $9="Read " r[i];
                        print "OK";
                        
                ;
        print "<--", $0, "--> " ;

gawk -f mani.awk file1 file2 之后应该会产生正确的结果。

如果没有，我建议你学习 AWK ?，并根据需要更改脚本。

【讨论】：

为了清楚起见，我把列的 csv 格式： file1: SRR6691737.359236/0_14228//11999_12313 ;审查员；重复 ; 5; 264;第1169章+ ; . ;重复 BOVA2 SINE 1 260 9 文件 2：CM011822.1；冷藏车；不和谐; 63738705； 63738727； . ; + ; . ;阅读SRR6691737.359236 11999 12313； Dup 277 我没有任何编码经验，但想将 file2 更改为：CM011822.1；冷藏车；不和谐; 63738705； 63738727； . ; + ; . ;读取SRR6691737.359236/0_14228//11999_12313；重复 277 。我的意思是，脚本从 file1 中找到匹配的文件名并修改 file2

@ManiGhanipoorSamami：你的问题不清楚。我添加了信息/问题，应该清楚地表明这个问题“不好”。缺少信息，无法给出答案。 SO 不是为了提供解决方案，而是为了帮助他人创建自己的解决方案。 ?

我不想将 file1 转换为 file2。我想将 file2 的第 8 个字段从“读取 SRR6691737.359236 11999 12313”更改为“读取 SRR6691737.359236/0_14228//11999_12313”。 file2 的其他字段保持不变。对于我展示的 file2 的第一行，我需要一个脚本，在 file1 中找到“SRR6691737.359236”和“11999_12313”匹配项，并将“0_14228”从 file1 添加到 file2 的第 8 列，格式如下：“Read SRR6691737. 359236/0_14228//11999_12313"。

感谢@LUUK，您的脚本生成了这个输出（生成了几十个）：“1 SRR6691737.359236 11999 12313 .... SRR6691737.359236/0_14228//11999_12313”，但我想要输出采用这种格式：“CM011822.1；冷藏；不一致；63738705；63738727；.；+；..；阅读 SRR6691737.359236/0_14228//11999_12313；Dup 277”（我希望它是 tsv，我将其设为 csv在这里使单独的列清晰）。 IE。我只想更改 file2 的第 9 列。我正在学习 awk，但很快就需要这个结果，如果你能帮我解决这个问题，我将不胜感激。

I am learning awk，请阅读：***.com/questions/20844666/…