赛德。如何删除带有模式和字符串的行匹配？答案

【问题标题】：Sed. How to remove line match with pattern and strings arround it?赛德。如何删除带有模式和字符串的行匹配？
【发布时间】：2015-01-19 15:10:10
【问题描述】：

我有一个文件，您要在其中删除按模式匹配的行并删除上面和下面的字符串。

举例：

FFFFIFIBBFFFFFFFFFFFFFBBBBFBBBBFBBBB77<<BBBBBB7B<BBBBBB<B< @HISEQ:102:h9u5badxx:1:1101:13002:2147 1:N:0:CTGT GATCCCCGTCTATCAGATACACGTTACTCAGCTAGTGCGAATGCGAACGCGAAATTTT + FFFFFFFFBBFFFFFFFFFFFFFBFBFFFFFFFFFBFFFBFFFFFBFFFFFFFFFBFB @HISEQ:102:h9u5badxx:1:1101:15368:2194 1:N:0:CTGT + FFIFBFFIFFBBBFFFFFFFBBFFBFFBBBFFFBB7BBBBBBFFFBB700<7770<BBB0<0<BFFBFBFFFFF @HISEQ:102:h9u5badxx:1:1101:19167:2169 1:N:0:CTGT GATCTCATATAGGGCAGCGTGGTCGCGGC

我想删除不包含核苷酸序列的第二个块。

最终结果：

`FFFFIFIBBFFFFFFFFFFFFFBBBBFBBBBFBBBB77<<BBBBBB7B<BBBBBB<B<
@HISEQ:102:h9u5badxx:1:1101:13002:2147 1:N:0:CTGT
GATCCCCGTCTATCAGATACACGTTACTCAGCTAGTGCGAATGCGAACGCGAAATTTT
+
FFIFBFFIFFBBBFFFFFFFBBFFBFFBBBFFFBB7BBBBBBFFFBB700<7770<BBB0<0<BFFBFBFFFFF
@HISEQ:102:h9u5badxx:1:1101:19167:2169 1:N:0:CTGT
GATCTCATATAGGGCAGCGTGGTCGCGGC
`

与此块匹配的模式

'^.+$(\n)^(@HISEQ).*$(\n)^\+'

适用于 perl 和 javascript，但不适用于 sed。

因为 sed 不适用于换行符。

我找到了解决办法

sed -e ':a;N;$!ba;s/\n/ /' test

但是此代码将换行符替换为空格。如果在此代码中插入我的正则表达式：

sed -e ':a;N;$!ba;/^.+$(\n)^(@HISEQ).*$(\n)^\+/d' test

这不起作用。你能帮我找到这个问题的解决方案吗？

我只是愚蠢。我误解了文件格式。输入：

@HWI-ST383:199:D1L73ACXX:3:1101:1309:1956 1:N:0:ACAGTGA 
+ 
JJJHIIJFIJJJJ=BFFFFFEEEEEEDDDDDDDDDDBD 
@HWI-ST383:199:D1L73ACXX:3:1101:3437:1952 1:N:0:ACAGTGA
GATCTCGAAGCAAGAGTACGACGAGTCGGGCCCCTCCA 
+ 
IIIIFFF<?6?FAFEC@=C@1AE###############

如何编辑常规 exp 以获得你想要的

输出：

@HWI-ST383:199:D1L73ACXX:3:1101:3437:1952 1:N:0:ACAGTGA
GATCTCGAAGCAAGAGTACGACGAGTCGGGCCCCTCCA 
+ 
IIIIFFF<?6?FAFEC@=C@1AE###############

【问题讨论】：

sed 一次处理一行。使用awk 或perl 可能会更好，这样可以更轻松地处理更大的块。
“将插入符号替换为空格”是什么意思？您的文件中没有插入符号。
对不起我的英语。我的意思是换行符，而不是插入符号
不使用修饰符的更好的正则表达式是.+$\r?\n@HISEQ.*$\r?\n\+\s*
awk 这对我来说太难了。我不明白 awk 的逻辑。

标签： regex bash sed

【解决方案1】：

如果我理解正确，那么

sed ':loop; N; /\n+/ ! { $ ! b loop }; /\n@HISEQ[^\n]\+\n+/ d' foo.txt

会起作用。如下：

:loop                    # in a loop
N                        # fetch more lines
/\n+/ ! { $ ! b loop }   # until one starts with + or is the last line
/\n@HISEQ[^\n]\+\n+/ d   # if the penultimate line of all that begins with @HISEQ,
                         # discard the lot.

最后一个模式使用了这样一个事实，即在找到以+ 开头的第一行之后立即对其进行检查，因此它末尾的\n+ 唯一地匹配块中最后一行的开头。

【讨论】：

你是个魔术师！这就是你需要的！你能告诉我在哪里可以阅读 sed 中的循环和循环
每当我需要查找 sed 的东西时，我都会去here。
我还在仔细看这个……哈！..+1

【解决方案2】：

要删除第二个块，您可以这样做：

awk 'NR!=2' RS=+ ORS=+ input

但我怀疑你想要的更像是：

awk '/[GATC]{5,}\n/' RS=+ ORS=+ input

或

awk '/\n[GATC]*\n/' RS=+ ORS=+ input

【讨论】：

RS=+ 表示记录分隔符是字符+。我假设您对 + 作为 RE 元字符感到困惑，但在这种情况下并非如此（即，当它是字符串中的第一个字符时）。
另外，请注意，对于 RS 使用任何超过一个字符的字符串都不是标准的 awk。 gnu awk 允许 RS 成为任意正则表达式（我认为），但是使用长度超过一个字符的字符串由语言本身未定义（大多数实现要么将其视为正则表达式，要么将其截断并仅使用第一个字符。）

【解决方案3】：

使用awk 更容易进行此解析：

awk -v RS=+ -v ORS=+ '!/\n@HISEQ[^\n]*\n$/' file
FFFFIFIBBFFFFFFFFFFFFFBBBBFBBBBFBBBB77<<BBBBBB7B<BBBBBB<B<7BBBBFFFBBBBFBBBBBBBFBFFFFB<<
@HISEQ:102:h9u5badxx:1:1101:13002:2147 1:N:0:CTGT
GATCCCCGTCTATCAGATACACGTTACTCAGCTAGTGCGAATGCGAACGCGAAATTTT
+
FFIFBFFIFFBBBFFFFFFFBBFFBFFBBBFFFBB7BBBBBBFFFBB700<7770<BBB0<0<BFFBFBFFFFF<B<7<<BBBBFB0
@HISEQ:102:h9u5badxx:1:1101:19167:2169 1:N:0:CTGT
GATCTCATATAGGGCAGCGTGGTCGCGGC
+

【讨论】：

【解决方案4】：

 sed '/FFFFFFFFBBFFFFFFFFFFFFFBFBFFFFFFFFFBFFFBFFFFFBFFFFFFFFFBFB/,/\+/ d' YourFile

应该够了

【讨论】：

行范围删除...+1