如何通过给定的两个文件检索特定单词之间的行?
Posted
技术标签:
【中文标题】如何通过给定的两个文件检索特定单词之间的行?【英文标题】:how to retreive lines between specific words by given two files? 【发布时间】:2020-02-23 11:53:11 【问题描述】:我有两个文件 1 和 2。文件 1 包含以 C 和 D 开头的代谢途径的所有详细信息,其中包含大量 C 和 D,而文件 2 仅包含名称以开头的特定 ID 行C 并且具有唯一性(入围 C,数量较少)。文件如下所示:
文件 1:
C 00010 Glycolysis / Gluconeogenesis [PATH:smup00010]
D SMPSPU_277 pfkA; 6-phosphofructokinase K00850 pfkA; 6-phosphofructokinase 1 [EC:2.7.1.11]
D SMPSPU_278 gapA; glyceraldehyde 3-phosphate dehydrogenase K00134 GAPDH; glyceraldehyde 3-phosphate dehydrogenase [EC:1.2.1.12]
D SMPSPU_274 acoA; pyruvate dehydrogenase E1 component subunit
alpha K00161 PDHA; pyruvate dehydrogenase E1 component alpha subunit
[EC:1.2.4.1]
D SMPSPU_172 korA; 2-oxoglutarate ferredoxin oxidoreductase subunit alpha K00174 korA; 2-oxoglutarate/2-oxoacid ferredoxin oxidoreductase subunit alpha [EC:1.2.7.3 1.2.7.11]
D SMPSPU_061 korB; 2-oxoglutarate ferredoxin oxidoreductase subunit beta K00175 korB; 2-oxoglutarate/2-oxoacid ferredoxin oxidoreductase subunit beta [EC:1.2.7.3 1.2.7.11]
C 00020 Citrate cycle (TCA cycle) [PATH:smup00020]
D SMPSPU_201 sucA; 2-oxoglutarate dehydrogenase, E1 component K00164 OGDH; 2-oxoglutarate dehydrogenase E1 component [EC:1.2.4.2]
D SMPSPU_120 lpdA; dihydrolipoamide dehydrogenase K00382 DLD; dihydrolipoamide dehydrogenase [EC:1.8.1.4]
D SMPSPU_172 korA; 2-oxoglutarate ferredoxin oxidoreductase subunit alpha K00174 korA; 2-oxoglutarate/2-oxoacid ferredoxin oxidoreductase subunit alpha [EC:1.2.7.3 1.2.7.11]
D SMPSPU_169 sucD; succinyl-CoA synthetase subunit alpha K01902 sucD; succinyl-CoA synthetase alpha subunit [EC:6.2.1.5]
D SMPSPU_229 pdhB; pyruvate dehydrogenase E1 component subunit beta K00162 PDHB; pyruvate dehydrogenase E1 component beta subunit [EC:1.2.4.1]
D SMPSPU_275 pdhC; dihydrolipoamide acyltransferase E2 component K00627 DLAT; pyruvate dehydrogenase E2 component (dihydrolipoamide acetyltransferase) [EC:2.3.1.12]
C 00030 Pentose phosphate pathway [PATH:smup00030]
D SMPSPU_057 tktB; transketolase, N-terminal subunit K00615 E2.2.1.1; transketolase [EC:2.2.1.1]
D SMPSPU_058 tktA; transketolase, C-terminal subunit K00615 E2.2.1.1; transketolase [EC:2.2.1.1]
C 00051 Fructose and mannose metabolism [PATH:smup00051]
D SMPSPU_277 pfkA; 6-phosphofructokinase K00850 pfkA; 6-phosphofructokinase 1 [EC:2.7.1.11]
D SMPSPU_230 fbaA; fructose-bisphosphate aldolase K01624 FBA; fructose-bisphosphate aldolase, class II [EC:4.1.2.13]
文件 2:
C 00261 Monobactam biosynthesis [PATH:smup00261]
C 00300 Lysine biosynthesis [PATH:smup00300]
C 00660 C5-Branched dibasic acid metabolism [PATH:smup00660]
C 00680 Methane metabolism [PATH:smup00680]
C 02020 Two-component system [PATH:smup02020]
C 02024 Quorum sensing [PATH:smup02024]
现在我只想提取文件 2 中存在的那些 C 和它们各自的 D。
我试过这个脚本
fgrep -f name-C-non-homowba00001 wba00001.keg |grep -E '^C.*PATH|^D' | less
但我给了我这个 C id 和名称文件。
【问题讨论】:
为什么这会被标记为python
问题?
欢迎来到 SO。很好,您已经展示了您尝试解决问题的方法。您能否编辑您的帖子,以简洁明了的方式添加输入示例和预期输出示例,以便我们更好地理解问题。
你试过了吗?请编辑您的帖子以添加您已经编写的代码!
您添加字母A
、B
、C
、D
是为了解释吗?如果是,请说明这一点,并以原始格式添加准确的输入。如果输入包含多于一组的行,请显示带有几组的更长示例输入。否则,不清楚最后 D 行后面是什么。如果有几个组,你想要所有的 C 行和 D 行吗?还是只有一个特定的群体?您的 C 行中的单词/字段数是否始终相同?如何区分 C 行和 D 行?缩进?第一个字段的格式?请在问题中添加所有说明。
@F.Hauri 我编写了代码,但是当我编辑我的帖子并保存它时,它开始出现错误。我认为它的格式问题。我第一次使用这个网站。我尝试了很多,但问题没有解决,所以我删除了它。
【参考方案1】:
试试这个:
cat input | grep -E '^[CD]' | sed -n '/^C.*PATH/,/^C/p' | uniq -f2 | grep -E '^C.*PATH|^D'
地点:
input
是你的文件
first grep
打印所有以 C 或 D 开头的行
sed
打印从以 C 开头并包含 PATH 的所有行到以 C 开头的下一行(包括)
uniq
抑制所有相等的相邻行,除了前 2 个字段
last grep
打印所有以 C 开头并包含 PATH 或以 D 开头的行
【讨论】:
C 02060 磷酸转移酶系统 (PTS) [PATH:msu02060] C 03070 细菌分泌系统 [PATH:msu03070] D MS1563 secD; SecD 蛋白 K03072 secD;前蛋白转位酶亚基 SecD D MS1564 secF; SecF 蛋白 K03074 secF;前蛋白转位酶亚基 SecF D MS0204 secE; SecE 蛋白 K03073 secE; preprotein translocase subunit SecE 通过使用这个脚本,我得到了两个连续的C行,这意味着它没有提供第一个C的D行 通过添加 [D] 和 sed -n '/^C.*PATH/,/^C[D]/p' 解决了【参考方案2】:awk '$1!~/^D$/ select=0; $1=="C" && $NF~/PATH/ select=1; if(select) print; ' inputfile
解释:
$1!~/^D$/ select=0;
D
以外的行停止输出。$1=="C" && $NF~/PATH/ select=1;
在最后一个字段中包含PATH
的C
行开始输出。if(select) print;
如果选中则打印当前行用于输出。
【讨论】:
【参考方案3】:这是一种安全的方法:
awk '(NR==FNR)a[$0];next/^C/p=($0 in a)p' file2 file1
【讨论】:
以上是关于如何通过给定的两个文件检索特定单词之间的行?的主要内容,如果未能解决你的问题,请参考以下文章