使用正则表达式匹配字符串中间的模式与 awk, sed, grep ... linux-y

Question

我有一个文件，其中包含 ID 号和一堆代表基因树的模式 例如：

021557  (sfra,(pdep,snud),((spal,sint),(sdro,(hpul,(sprp,afra)))));
005852  (snud,sfra,(pdep,(hpul,((afra,sprp),(sint,(spal,sdro))))));
023685  (sfra,snud,(pdep,(hpul,((sprp,(afra,spal)),(sdro,sint)))));
022020  (sfra,snud,(pdep,(hpul,(afra,(sprp,(sdro,(sint,spal)))))));
028284  (sfra,snud,(pdep,(hpul,(sprp,((sdro,sint),(spal,afra))))));

我对 (spal,afra) 的某个姐妹分类群分组感兴趣。如果树包含 (spal,afra)，我想打印另一列的 ID。

如果只在上面的数据上运行，输出应该是： 023685 028284

我打算这样做：

awk '{if ($2 == "(spal,afra)") { print $1 } }'

但我意识到我要匹配的部分是在一堆其他字符中，并且在不可预测的位置......

所以我需要搜索

1. 任意数量的小写字母或括号或逗号

2. (spal,afra)

3. 任意数量的小写字母或括号或逗号或;

另外，我想我想知道其他顺序（afra，spal）的出现。但是如果我没记错的话，我打算运行单独的匹配，组合输出并使用 sort 和 uniq-c 做一些事情......我以后可能会自己弄清楚。

我对此有点陌生，我已经花了几个小时试图弄清楚一些事情。谢谢！

Answer 1

您似乎将此作为输入文件

$ cat file
021557  (sfra,(pdep,snud),((spal,sint),(sdro,(hpul,(sprp,afra)))));
005852  (snud,sfra,(pdep,(hpul,((afra,sprp),(sint,(spal,sdro))))));
023685  (sfra,snud,(pdep,(hpul,((sprp,(afra,spal)),(sdro,sint)))));
022020  (sfra,snud,(pdep,(hpul,(afra,(sprp,(sdro,(sint,spal)))))));
028284  (sfra,snud,(pdep,(hpul,(sprp,((sdro,sint),(spal,afra))))));

使用 awk

要打印包含(spal,afra) 的任何行的第一列：

$ awk '/[(]spal,afra[)]/{print $1}' file
028284

条件/[(]spal,afra[)]/ 选择包含(spal,afra) 的行，print $1 打印这些行的第一个字段。

在 awk 正则表达式中，括号是活动字符。由于我们要匹配文字括号，我们将它们放在方括号中，例如 [(] 和 [)]。

使用 sed

$ sed -n '/(spal,afra)/ s/\t.*//p' file
028284

sed -n 不会打印任何东西，除非我们明确要求它这样做。 /(spal,afra)/ 选择包含 (spal,afra) 的行。 s/\t.*//p 删除第一个选项卡之后的所有内容，然后打印剩余的内容。

默认情况下，sed 使用基本的正则表达式。这意味着( 和)未处于活动状态。因此，我们不需要逃避它们。

使用 grep 和剪切

$ grep '(spal,afra)' file | cut -f1
028284

grep '(spal,afra)' file 选择包含(spal,afra) 的行，cut -f1 从这些行中选择第一个字段。

与 sed 一样，grep 默认使用基本的正则表达式。这意味着( 和) 都被视为文字字符，无需对其进行转义。

替代方案：寻找(spal,afra) 或(afra,spal)

如果我们想在(spal,afra)之外寻找(afra,spal)，那么我们需要更新正则表达式。以awk为例：

awk '/[(](spal,afra|afra,spal)[)]/{print $1}' file2
023685
028284

这里，竖线| 分隔选项。正则表达式接受栏之前或之后的内容。

Answer 2

您可以在 awk 中使用此非正则表达式搜索：

awk 'index($0, "(spal,afra)") || index($0, "(afra,spal)") {print $1}' file
023685
028284

Answer 3

这应该可以工作（使用扩展正则表达式的 sed）：

sed -nr 's/([^[:space:]]*)[^;]*(\(spal,afra\)|\(afra,spal\)).*/\1/p' file

输出：

023685
028284