使用awk提取在一列中出現的具有多種模式的行

Question

我有一個很大的帶有遺傳數據的文本文件（94,807,000行）。 我想提取在特定列中出現特定模式的行。 我嘗試以各種方式使用awk和grep，但沒有找到完成工作的方法。 該文件以空格分隔，如下所示：

   V1     V2 V3 V4   V5      V6
1: 10 179406  T  . HPGM T,T,T,T
2: 10 179407  T  . HPGM T,T,T,T
3: 10 179408  G  . HPGM G,G,G,G
4: 10 179409  A  . HPGM A,A,A,A
5: 10 179410  A  . HPGM A,A,A,A
6: 10 179411  T  . HPGM T,T,T,T

V5和V6可以顯示的四個條目更多，並且所有內容看起來都很奇怪，例如：

   V1        V2 V3 V4   V5                    V6
1:  1 158154514  A  . HPGO A,AAAA..204..TTTT,A,A

我想保留以下行，其中H和P的兩個條目（它們是V6中的前兩個逗號分隔字符） 正好是A，C，T或G，因此應僅包含這四個字符之一。 但是，H和P不必具有相同的字符。 在V5可能會出現多種組合，但是所有組合都始於HP 。 我不關心之后是否有任何條目或有多少條目，並且所有行的確都有 H和P條目，因此我不必處理丟失的條目。

我找到了一些答案，這些答案顯示了如何使用邏輯或||搜索多種模式。 ，其中一些顯示使用$6 ~ '/A,.'在特定字段中的外觀$6 ~ '/A,.' 以及如何使用== "pattern"查找精確匹配。 但是，我沒有找到將這些東西結合起來的答案，也無法自己解決。 幫助將不勝感激。

Answer 1

您可以使用以下awk命令：

awk 'split($NF, a, /,/) && a[1] a[2] ~ /^[ACTG]{2}$/' file

1: 10 179406  T  . HPGM T,T,T,T
2: 10 179407  T  . HPGM T,T,T,T
3: 10 179408  G  . HPGM G,G,G,G
4: 10 179409  A  . HPGM A,A,A,A
5: 10 179410  A  . HPGM A,A,A,A
6: 10 179411  T  . HPGM T,T,T,T

• split($NF, a, /,/)用逗號分隔最后一列
• a[1] a[2] ~ /^[ACTG]{2}$/正在使用正則表達式來確保拆分后的第一和第二子字段是A or C or T or G