在 grep 之后打印行直到下一个模式答案

【问题标题】：Print lines after grep till next pattern在 grep 之后打印行直到下一个模式
【发布时间】：2020-08-14 18:40:28
【问题描述】：

我有一个格式为 (Input_fasta.txt) 的文件

>tr|A0A089QH62|A0A089QH62_MYCTU Histidine kinase OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=LH57_00865 PE=4 SV=1
MTATASGIAATAPNCGEASINDVPIAESERRYLGARSASEYGQEIPLW
>tr|I6WXB4|I6WXB4_MYCTU 30S ribosomal protein S6 OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=rpsF PE=3 SV=1
MRPYEIMVILDPTLDERTVAPSLETFLNVVRKDGGKVEKVDIWGKRRLAYEIAKHAEGIY
VVIDVKAAPATVSELDRQLSLNESVLRTKVMRTDKH
>tr|A0A089SBT4|A0A089SBT4_MYCTU Glycosyl transferase OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=LH57_19775 PE=4 SV=1
MDTETHYSDVWVVIPAFNEAAVIGKVVTDVRSVFDHVVCVDDGSTDGTGDIARRSGAHLV
RHPINLGQGAAIQTGIEYARKQPGAQVFATFDGDGQHRVKDVAAMVDRLGAGDVDVVIGT
RFGRPVGKASASRPPLMKRIVLQTGARLSRRGRRLGLTDTNNGLRVFNKTVADGLNITMS
GMSHATEFIMLIAENHWRVAEEPVEVLYTEYSKSKGQPLLNGVNIIFDGFLRGRMPR
>tr|A0A089QKT1|A0A089QKT1_MYCTU TetR family transcriptional regulator OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=LH57_00800 PE=4 SV=1
MSLTAGRGPGRPPAAKADETRKRILHAARQVFSERGYDGATFQEIAVRADLTRPAINHYF
ANKRVLYQEVVEQTHELVIVAGIERARREPTLMGRLAVVVDFAMEADAQYPASTAFLATT
VLESQRHPELSRTENDAVRATREFLVWAVNDAIERGELAADVDVSSLAETLLVVLCGVGF
YIGFVGSYQRMATITDSFQQLLAGTLWRPPT
>tr|I6YAB3|I6YAB3_MYCTU Iron ABC transporter permease OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=LH57_07380 PE=4 SV=1
MARGLQGVMLRSFGARDHTATVIETISIAPHFVRVRMVSPTLFQDAEAEPAAWLRFWFPD
PNGSNTEFQRAYTISEADPAAGRFAVDVVLHDPAGPASSWARTVKPGATIAVMSLMGSSR
FDVPEEQPAGYLLIGDSASIPGMNGIIETVPNDVPIEMYLEQHDDNDTLIPLAKHPRLRV
RWVMRRDEKSLAEAIENRDWSDWYAWATPEAAALKCVRVRLRDEFGFPKSEIHAQAYWNA
GRAMGTHRATEPAATEPEVGAAPQPESAVPAPARGSWRAQAASRLLAPLKLPLVLSGVLA
ALVTLAQLAPFVLLVELSRLLVSGAGAHRLFTVGFAAVGLLGTGALLAAALTLWLHVIDA
RFARALRLRLLSKLSRLPLGWFTSRGSGSIKKLVTDDTLALHYLVTHAVPDAVAAVVAPV
GVLVYLFVVDWRVALVLFGPVLVYLTITSSLTIQSGPRIVQAQRWAEKMNGEAGSYLEGQ
PVIRVFGAASSSFRRRLDEYIGFLVAWQRPLAGKKTLMDLATRPATFLWLIAATGTLLVA
THRMDPVNLLPFMFLGTTFGARLLGIAYGLGGLRTGLLAARHLQVTLDETELAVREHPRE
PLDGEAPATVVFDHVTFGYRPGVPVIQDVSLTLRPGTVTALVGPSGSGKSTLATLLARFH
DVERGAIRVGGQDIRSLAADELYTRVGFVLQEAQLVHGTAAENIALAVPDAPAEQVQVAA
REAQIHDRVLRLPDGYDTVLGANSGLSGGERQRLTIARAILGDTPVLILDEATAFADPES
EYLVQQALNRLTRDRTVLVIAHRLHTITRADQIVVLDHGRIVERGTHEELLAAGGRYCRL
WDTGQGSRVAVAAAQDGTR
>tr|L0T545|L0T545_MYCTU PPE family protein PPE7 OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=PPE7 PE=4 SV=1
MSVCVIYIPFKGCVKHVSVTIPITTEHLGPYEIDASTINPDQPIDTAFTQTLDFAGSGTV
GAFPFGFGWQQSPGFFNSTTTPSSGFFNSGAGGASGFLNDAAAAVSGLGNVFTETSGFFN
AGGVGIRASKTSATCCRAGRT

和另一个包含类似模式的文件（Pattern.txt）

I6WXB4

I6WXC3

I6WXK8

我需要像

这样的输出

>tr|I6WXB4|I6WXB4_MYCTU 30S ribosomal protein S6 OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=rpsF PE=3 SV=1
MRPYEIMVILDPTLDERTVAPSLETFLNVVRKDGGKVEKVDIWGKRRLAYEIAKHAEGIY
VVIDVKAAPATVSELDRQLSLNESVLRTKVMRTDKH

到目前为止我所做的是 grep -f Pattern.txt Input_fasta.txt

如何将输出扩展到下一行，直到我在比赛后点击下一个“>”？

试过awk '/I6WXB4/{copy=1;next} />/{copy=0;next} copy' Input_fasta.txt 它给出了一个输出

MRPYEIMVILDPTLDERTVAPSLETFLNVVRKDGGKVEKVDIWGKRRLAYEIAKHAEGIY VVIDVKAAPATVSELDRQLSLNESVLRTKVMRTDKH

但这里缺少标题。

【问题讨论】：

这更像是 awk 或 python 的工作。如果这是最后一个元素怎么办？你永远找不到>。
幸运的是我的输入文件的最后一个元素不在我的模式文件中
将其缩减为 6 行，每行少于 10 个字符，您会发现更多人有兴趣尝试理解它，以便他们为您提供帮助。

标签： r awk

【解决方案1】：

在 awk 中：

$ awk 'NR==FNR{a[$0]; next} $2 in a' pattern.txt FS="|" RS=">" input_fasta.tzt
tr|I6WXB4|I6WXB4_MYCTU 30S ribosomal protein S6 OS=Mycobacterium tuberculosis (strain ATCC 25618 / H37Rv) GN=rpsF PE=3 SV=1
MRPYEIMVILDPTLDERTVAPSLETFLNVVRKDGGKVEKVDIWGKRRLAYEIAKHAEGIY
VVIDVKAAPATVSELDRQLSLNESVLRTKVMRTDKH

【讨论】：

wrt 引号，这是避免意外的一个很好的经验法则：使用 's 引用，除非您需要使用 "s（例如扩展 shell 变量）并使用 " 引用s 直到您需要没有引号（例如用于通配符）。你会惊讶于我有多少次习惯使用" 而不是' :-(。

【解决方案2】：

这是一个简单的 Python 解决方案，使用 BioPython：

import sys
import re
from Bio import SeqIO

with open('pattern.txt', 'r') as f:
    patterns = '|'.join([re.escape(pattern.strip()) for pattern in f])

for record in SeqIO.parse('test.fa', 'fasta'):
    if re.search(patterns, record.id):
        SeqIO.write(record, sys.stdout, 'fasta')

请注意，这需要一个行为良好的 patterns.txt 文件，即不包含任何空行的文件。

【讨论】：

【解决方案3】：

bash & sed 解决方案：

while read pattern
do

if [ ! -z $pattern ] ; then

 sed -n "/\|$pattern\|/{:loop;p;n;/>/q;bloop;}" input.txt
fi

done < patternfile.txt

循环模式文件（跳过空白行），如果找到模式，只需读取并打印文件行直到找到>

【讨论】：

阅读 why-is-using-a-shell-loop-to-process-text-considered-bad-practice 和 is-it-possible-to-escape-regex-metacharacters-reliably-with-sed 以了解您绝不能这样做的一些原因。
@EdMorton 您建议避免使用while 阅读什么内容？（文件中有一些模式）。这个例子有什么问题，因为pattern 是一组字母，所以没有正则表达式冲突的风险？在一般情况下，我同意你的看法（我会创建一个 python 脚本以获得最佳性能和安全性），但在这种简单的情况下，它工作得很好而且很快。
具有高度净化输入的绝对最佳情况（这不是 - 你怎么知道有人不会在 input.txt 中添加像 tr|foo|foo_MYCTU 30S ribosomal protein (behaves like |I6WXB4|) 这样的描述性文本？），这将是一个顺序量级比 awk 脚本慢，写起来更长，更难理解，我猜是不可移植的。为此问“为什么不”就像是在说“我知道我旁边有一把电锯，但我可以用我的小刀砍掉这棵树，这有什么问题？”。
FWIW 如果您打算使用 sed 执行此操作，那么正确的 shell 代码将类似于 xargs -n 1 -I {} < pattern.txt sed 'whatever' input.txt 但它仍然是错误的方法。