Grep 获取文本文件中的特定数字并输出每个数字文本文件

Question

我有一个文本文件 chunk_names.txt，如下所示：

chr1_12334_64321
chr1_134435_77474   
chr10_463252_74754
chr10_54265_423435 
chr13_5464565_547644567

这是一个示例，但表示所有染色体（1...22、X 和 Y）。所有条目都遵循相同的格式chr{1..22, X or Y}_*string of numbers*__*string of numbers*。

我想将这些分成每个染色体文件，例如所有从 chr10 开始的块都被放入一个名为 chr10.txt 的文件中：

在 Linux 中我尝试过：

for i in {1..22}
do 
    grep chr$i chunk_names.txt > chr$i.txt 
done 

但是，chr1.txt 输出文件现在包含所有染色体块，其中包含 1（1、10、11、12 等）。

我将如何修改此脚本以分离出染色体？

我还没有解决如何在同一个脚本中包含染色体 X 或 Y，目前正在单独运行它

我尝试过的事情：

grep -o gives me just "chr$i" as an output 
grep 'chr$i' gives me blank files
grep "chr$i" has the initial problem 

非常感谢您的宝贵时间。

Answer 1

您的“for”循环意味着解析您的文件 N 次（其中 N 是列表中的染色体/重叠群的数量）。这是一个使用awk 的不可知方法，它只会解析一次文件：

awk -F '_' '{ print > $1 ".txt" }' chunk_names.txt

Answer 2

如果您在数字后面包含_，您可以区分chr1_ 和例如chr10_。要包含 X 和 Y，只需将它们包含在循环中

for i in {1..22} X Y
do 
    grep "chr${i}_" chunk_names.txt > chr$i.txt 
done 

要仅在行首搜索，您可以在模式中添加前导 ^

    grep "^chr${i}_" chunk_names.txt > chr$i.txt 

关于您的尝试的说明：

grep chr$i 在行中的任意位置搜索模式。 shell 将$i 替换为变量i 的值，因此得到chr1、chr2 等。

如果您将模式用双引号括起来为grep "chr$i"，shell 将不会执行任何文件名通配符或字符串拆分，但仍会扩展变量。在您的情况下，它与不带引号相同。

如果您使用单引号，shell 会按原样获取文字字符串，因此您始终会搜索包含 chr$i（而不是 chr1 等）的行，而这不会出现在您的文件中。

关于引号的解释：

在您的情况下，我提出的解决方案中的引号不是必需的，但引用所有内容是一个好习惯。如果您的模式包含对 shell 来说特殊的空格或字符，那么引用会有所不同。

例子：

如果您的文件包含chr1* 而不是chr1_，则模式chr${i}* 将被匹配文件列表替换。

当您已经创建了输出文件 chr1.txt 等时，请尝试这些命令

$ i=1; echo chr$i*
chr10.txt chr11.txt chr12.txt chr13.txt chr14.txt chr15.txt chr16.txt chr17.txt chr18.txt chr19.txt chr1.txt
$ i=1; echo "chr$i*"
chr1*

在第一种情况下，grepcommand

    grep chr${i}* chunk_names.txt

将扩展为

    grep chr10.txt chr11.txt chr12.txt chr13.txt chr14.txt chr15.txt chr16.txt chr17.txt chr18.txt chr19.txt chr1.txt chunk_names.txt

它将在文件chr11.txt ... chr1.txt 和chunk_names.txt 中搜索模式chr10.txt。