使用 Perl 在多行中查找特定文本

Question

我正在尝试在数千行的文件中查找所有出现的字母字符串。然后我将计算每个字符串。下面的示例文件仅包含两行，但该文件中的所有文本都是相同的结构（其中> 表示新行，而字母字符串是要搜索的位置。截至目前，我将整个文件作为输出返回不仅仅是我要找的字符串。谢谢:)。

文件

>hg19_refGene_NM_000016 range=chr1:76190032-76229363 5'pad=0 3'pad=0 strand=+ repeatMasking=none
GGGTTCGGGCGATGCTGCAGGgtgagagggagcccagcggtgcggtgggg

g 的期望输出{4}

gggg

g 的期望输出{3}

GGG
GGG
ggg
ggg

Perl 我试过了

（{...} 之间的4 是要搜索的qw(G g) 的数量）

cat file.txt | perl -ne 'chomp; s/\s|\cJ|\cM//g; s/^\>/\n/ and $_.="\t";print' | perl -ne '$in=$_;grep $in=~m/$_{4}/i, qw(G g) and print' > test.txt

编辑

>hg19_refGene_NM_000016 range=chr1:76190032-76229363 5'pad=0 3'pad=0 strand=+ repeatMasking=none
GGGTTCGGGCGATGCTGCAGGgtgagagggagcccagcggtgcggtgggg
>hg19_refGene_NM_001282675 range=chr11:35453376-35551848 5'pad=0 3'pad=0 strand=- repeatMasking=none
TTCATTAGGGCTGGAGACTTCCATGAAGGGGCCAGTTACAGCAGGCTCCA

多个输出（搜索所在的行并输出）

>hg19_refGene_NM_000016 range=chr1:76190032-76229363 5'pad=0 3'pad=0 strand=+ repeatMasking=none
GGG
GGG
GGg
ggg
ggg
>hg19_refGene_NM_001282675 range=chr11:35453376-35551848 5'pad=0 3'pad=0 strand=- repeatMasking=none
GGG
GGG
GGG

我得到多个输出

  perl -076 -nE 'chomp; s/(.+)// && say qq{>$1}; s/\s//g; say $1 while /(g{3})/gi' 4G.txt

 >hg19_refGene_NM_000016 range=chr1:76190032-76229363 5'pad=0 3'pad=0 strand=+ repeatMasking=none
GGG
GGG
GGg
ggg
ggg
>hg19_refGene_NM_001282675 range=chr11:35453376-35551848 5'pad=0 3'pad=0 strand=- repeatMasking=none
GGG
GGG

Answer 1

从表面上看，这很简单。这种单线产生的东西就像你说你想要的一样

perl -nE'/^>/ or say $1 while /(g{3})/ig' test.txt

输出

GGG
GGG
GGg
ggg
ggg

但是，正如我在评论中所说，尚不清楚 GGg 是否算数，并且您没有说当文件中有多个序列时会发生什么

---

更新

这将解决修改后的问题

perl -nE'/^>/ and print or do { say $1 while /(g{3})/ig}' test.txt

输出

>hg19_refGene_NM_000016 range=chr1:76190032-76229363 5'pad=0 3'pad=0 strand=+ repeatMasking=none
GGG
GGG
GGg
ggg
ggg
>hg19_refGene_NM_001282675 range=chr11:35453376-35551848 5'pad=0 3'pad=0 strand=- repeatMasking=none
GGG
GGG

---

更新 2

这修复了包含行尾的子序列。这与我真正想要的单线解决方案一样复杂

perl -076 -nE 'chomp; s/(.+)// && say qq{>$1}; s/\s//g; say $1 while /(g{3})/gi' test.txt

输出

>hg19_refGene_NM_000016 range=chr1:76190032-76229363 5'pad=0 3'pad=0 strand=+ repeatMasking=none
GGG
GGG
GGg
ggg
ggg
>hg19_refGene_NM_001282675 range=chr11:35453376-35551848 5'pad=0 3'pad=0 strand=- repeatMasking=none
GGG
GGG

Answer 2

如果您单独使用一个perl 进程（没有cat），您可以使用“嵌套while”语句从数据文件“while()”中读取一行，它是打开的并且有行剩下要读的，然后print匹配的元素“while()”这行有匹配的东西：

 perl -e 'use English; 
          while(<>) { print "$MATCH\n" while $_ =~ /g{3}/ig }'
          sequence.txt

（$MATCH 是 $&。我添加了 use English 用于说明目的 ;-) ...）

---

编辑：

嵌套的while() 方法正是@Borodin 的答案所做的，因为它使用-n 开关，正如perldoc perlrun 告诉我们的那样，用while(<>){} 包装-E 之后的语句。