拆分文件名并获取第一次和最后一次出现下划线之间的元素

Question

我正在尝试在 for 循环中拆分许多文件夹名称，并提取文件名的第一个和最后一个下划线之间的元素。文件名可能类似于 ENCSR000AMA_HepG2_CTCF 或 ENCSR000ALA_endothelial_cell_of_umbilical_vein_CTCF。

我的问题是文件夹名称在下划线总数中彼此不同，所以我不能使用类似的东西：

IN=$d
folderIN=(${IN//_/ })
tf_name=${folderIN[-1]%/*} #get last element which is the TF name
cell_line=${folderIN[-2]%/*}; #get second last element which is the cell line
dataset_name=${folderIN[0]%/*}; #get first element which is the dataset name

cell_line 可以是一个或多个由下划线分隔的单词，但始终位于第一个和最后一个下划线之间。

有什么帮助吗？

Answer 1

只需在两步 bash 参数扩展中执行此操作仅，因为与 zsh 或其他 shell 不同，bash 不支持嵌套参数扩展。

"${string%_*}" 删除最后一次出现“_”之后的所有内容，"${tempString#*_}" 删除从开始到第一次出现“_”的所有内容

string="ENCSR000ALA_endothelial_cell_of_umbilical_vein_CTCF"
tempString="${string%_*}"
printf "%s\n" "${tempString#*_}"
endothelial_cell_of_umbilical_vein

另一个例子，

string="ENCSR000AMA_HepG2_CTCF"
tempString="${string%_*}"
printf "%s\n" "${tempString#*_}"
HepG2

您可以修改此逻辑以应用于文件夹中的每个文件名。

Answer 2

可以使用正则表达式。

extract_words() {
    [[ "$1" =~ ^([^_]+)_(.*)_([^_]+)$ ]] && echo "${BASH_REMATCH[2]}"
}

while read -r from_line
do
    extracted=$(extract_words "$from_line")
    echo "$from_line" "[$extracted]"
done < list_of_filenames.txt

编辑：我将“提取”移动到一个单独的 bash 函数中，以便在更复杂的情况下重用和轻松修改，例如：

extract_words() {
        perl -lnE 'say $2 if /^([^_]+)_(.*)_([^_]+)$/' <<< "$1"
}