如何在bash中计算字符串中的连续（重复）字符？

Question

我想知道是否有一个简单的 bash 或 AWK oneliner 来获取每次重复的重复字符数。

例如考虑这个字符串：

AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA

是否可以得到第一次重复的N个数，第二个重复的N个数等等？

谢谢！

预期结果，新行上每个重复的长度。

Answer 1

一个简单的解决方案：

echo "$string" | grep -oE "N+" | awk '{ print $0, length}'

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

编辑：
根据@Ed-Morton 的建议：将 -P 更改为 -E。
grep 的手册页说 -P 是“高度实验性”的功能。
我们不需要 PCRE 来使用 +，只需 ERE 就足够了。

Answer 2

使用 GNU awk 进行多字符 RS：

$ awk -v RS='N+' 'RT{print length(RT)}' file
5
8
7

$ awk -v RS='N+' 'RT{print RT, length(RT)}' file
NNNNN 5
NNNNNNNN 8
NNNNNNN 7

Answer 3

试试这两个：

第一个

sed 's/[^N]/ /g' file | awk '{for(i=1;i<=NF;i++){print $i":"length($i)}}'

第二个

cat file | tr -c 'N' ' ' | awk '{for(i=1;i<=NF;i++){print $i":"length($i)}}'

Answer 4

短 GNU awk 方法：

str='AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA'

awk -v FPAT='N+' '{for(i=1;i<=NF;i++) print $i,length($i)}' <<< $str

输出：

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

Answer 5

您可以使用awk 拆分每个字符上的字段，而不是N 并打印每个字段及其长度：

s='AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA'

awk -F '[^N]+' '{for (i=1; i<=NF; i++) if ($i != "") print $i, length($i)}' <<< "$s"

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

另一种选择是使用grep + awk：

grep -Eo 'N+' <<< "$s" | awk '{print $1, length($1)}'

这里是纯 BASH 解决方案：

shopt -s extglob
while read -r line; do
    [[ -n $line ]] && echo "$line ${#line}"
done <<< "${s//+([!N])/$'\n'}"

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

BASH 解决方案详情：

1. 它使用扩展的 glob 模式来匹配 1 个或多个 non-N 字符，并将它们替换为 +([!N])/$'\n'}" 中的换行符
2. 使用while 循环，我们遍历N 字符的每个子字符串
3. 在循环中，我们打印每个字符串和该字符串的长度。

Answer 6

正如您要求的 sed 解决方案，如果您的重复字符链不超过 9 个字符并且您的字符串不包含任何分号，则可以使用此解决方案：

sed 's/$/;NNNNNNNNN0123456789/;:a;s/\(N\+\)\([^;]*;\1.\{9\}\)\(.\)\(.*\)/\2\3\4\n\3/;ta;s/[^\n]*\n//'

Answer 7

这是一个 Perl 单行代码：

perl -ne 'while (m/(.)(\1*)/g) { printf "%5i %s\n", length($2)+1, $1 }' <<<AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA
2 A
1 T
1 G
1 A
1 T
2 G
2 A
5 N
1 G
1 A
1 T
1 A
1 G
2 A
1 C
1 G
1 A
1 T
8 N
1 G
1 A
1 T
2 A
1 T
1 G
1 A
7 N
1 T
1 A
1 G
1 A
1 C
1 T
1 G
1 A

m/(.)(\1*)/ 连续匹配尽可能多的相同字符，只要字符串仍然包含我们尚未匹配的内容，/g 就会在下一次迭代中重新开始匹配。所以我们以相同的字符块循环字符串，并且在每次迭代中，打印第一个字符以及整个匹配字符串的长度。

第一对括号捕获（剩余不匹配的）行开头的字符，\1 表示重复该字符。 * 量词尽可能多地匹配它。

如果您只对 N:s 感兴趣，您可以将第一个括号更改为 (N)，或者您可以添加类似 printf("%7i %s\n", length($2), $1) if ($1 == "N") 的条件。同样，如果您只想要有重复（多次出现）的命中，您可以说 \1+ 而不是 \1* 或添加类似 ... if length($2) >= 1 的条件。

Answer 8

你可以借助正则表达式的方法。

这是我从以下链接获得的解决方案代码

Count occurrences of a char in a string using Bash

needle=","
var="text,text,text,text"

number_of_occurrences=$(grep -o "$needle" <<< "$var" | wc -l)

如您所见，借助 WC（字数），我们很容易得到“$needle”的出现次数。

你可以循环它以满足你的需求。