使用特定列中的awk提取模式

Question

我想通过只取最后一列的一个特定部分来修改文件（gff3格式）！

我的文件看起来像这样，九个列由制表符空格分隔：

NW_015494524.1 Gnomon CDS 1220137 1220159。 - 0 ID = cds20267; Parent = rna22739; Dbxref = GeneID：107513619，Genbank：XP_016006018.1; Name = XP_016006018.1; gbkey = CDS; gene = A3GALT2; product = alpha_1％2C3-galactosyltransferase_2 protein_id = XP_016006018.1

我想只提取最后一栏（$ 9）中的基因名称（; gene = XXX;）。 输出：

NW_015494524.1 Gnomon CDS 1220137 1220159。 - 0 A3GALT2

完成此操作后，我想将第4,5,7,8列和第9列中提取的值组合在一个唯一的列中。预期输出：

A3GALT2 1220137 1220159 - 0

我曾尝试使用awk在最后一列中仅采用模式gene = xxxx。 我的基因名称是带或不带数字的大写字母; 并由';'分隔 第九栏中的分号。

awk  FS "[ \t]" '$9 ~/gene=[A-Z0-9]$/ {print $0, $4, $5, $7, $8}' <file>

它不起作用。 还有另一种方法可以用awk或sed或grep做得更好吗？

感谢您的帮助。

Answer 1

以下awk应该帮助你。

awk '{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));$NF=""} 1'  Input_file

输出如下。

NW_015494524.1 Gnomon CDS 1220137 1220159 . - 0 A3GALT2

编辑：正如我在评论中提到的那样，我很困惑你需要哪个输出，如果你需要你的第二个显示输出，可能会帮助你。

awk '$9 ~ /.*gene=/{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));print $9,$4,$5,$7,$8} '  Input_file

输出如下。

A3GALT2 1220137 1220159 - 0

Answer 2

awk解决方案：

awk '{ split($9,a,";"); print substr(a[6],6),$4,$5,$7,$8 }' file

• split($9,a,";") - 将第9个字段拆分成一个块数组a ; 作为分隔符

• substr(a[6],6) - 从substring gene=XXXXXXXX提取所需的基因名称

输出：

A3GALT2 1220137 1220159 - 0

Answer 3

一个简单的awk解决方案

$ awk '{match($9,/gene=(\w+);/,a); print a[1],$4,$5,$7,$8}' file
A3GALT2 1220137 1220159 - 0

{match($9,/gene=(\\w+);/,a); ：这将匹配正则表达式gene=(\\w+); $9和捕获组(\\w+)将存储在数组a ，就是这样。

Answer 4

感谢您的回复和帮助。 是的，我想要你输出的输出。 仅保留基因名称，位置，链和相位信息。 它们将被用作新的fasta seqs的标题。 我会尝试这些命令。