如何在bash中計算字符串中的連續（重復）字符？

Question

我想知道是否有一個簡單的 bash 或 AWK oneliner 來獲取每次重復的重復字符數。

例如考慮這個字符串：

AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA

是否有可能在第一次重復中獲得 Ns 的數量，在第二次重復中獲得 Ns 的數量，等等？

謝謝！

預期結果，每次重復的長度換行。

Answer 1

您可以使用awk在每個不是N字符上拆分字段並打印每個字段及其長度：

s='AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA'

awk -F '[^N]+' '{for (i=1; i<=NF; i++) if ($i != "") print $i, length($i)}' <<< "$s"

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

另一種選擇是使用grep + awk ：

grep -Eo 'N+' <<< "$s" | awk '{print $1, length($1)}'

這是純 BASH 解決方案：

shopt -s extglob
while read -r line; do
    [[ -n $line ]] && echo "$line ${#line}"
done <<< "${s//+([!N])/$'\n'}"

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

BASH解決方案詳情：

1. 它使用擴展的 glob 模式來匹配 1 個或多個non-N字符，並用+([!N])/$'\\n'}"換行符替換它們
2. 使用while循環，我們遍歷每個N字符的子串
3. 在循環內部，我們打印每個字符串和該字符串的長度。

Answer 2

一個簡單的解決方案：

echo "$string" | grep -oE "N+" | awk '{ print $0, length}'

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

編輯：
根據@Ed-Morton 的建議：將 -P 更改為 -E。
grep 的手冊頁說 -P 是“高度實驗性”的功能。
我們不需要 PCRE 來使用 +，只要 ERE 就足夠了。

Answer 3

使用用於多字符 RS 的 GNU awk：

$ awk -v RS='N+' 'RT{print length(RT)}' file
5
8
7

$ awk -v RS='N+' 'RT{print RT, length(RT)}' file
NNNNN 5
NNNNNNNN 8
NNNNNNN 7

Answer 4

這是一個 Perl 單行代碼：

perl -ne 'while (m/(.)(\1*)/g) { printf "%5i %s\n", length($2)+1, $1 }' <<<AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA
2 A
1 T
1 G
1 A
1 T
2 G
2 A
5 N
1 G
1 A
1 T
1 A
1 G
2 A
1 C
1 G
1 A
1 T
8 N
1 G
1 A
1 T
2 A
1 T
1 G
1 A
7 N
1 T
1 A
1 G
1 A
1 C
1 T
1 G
1 A

m/(.)(\\1*)/連續匹配盡可能多的相同字符， /g導致匹配在下一次迭代中再次出現，只要字符串仍然包含一些我們還沒有的東西匹配。 因此，我們以相同字符的塊循環遍歷字符串，並且在每次迭代時，打印第一個字符以及整個匹配字符串的長度。

第一對括號在（剩余的不匹配）行的開頭捕獲一個字符， \\1表示重復該字符。 *量詞盡可能多地與此匹配。

如果您只對 N:s 感興趣，您可以將第一個括號更改為(N) ，或者您可以添加一個條件，如printf("%7i %s\\n", length($2), $1) if ($1 == "N") 。 同樣，如果您只想要重復（多次出現）的命中，您可以說\\1+而不是\\1*或添加一個條件，如... if length($2) >= 1 。

Answer 5

當您要求 sed 解決方案時，如果您的重復字符鏈不超過 9 個字符並且您的字符串不包含任何分號，則可以使用此解決方案：

sed 's/$/;NNNNNNNNN0123456789/;:a;s/\\(N\\+\\)\\([^;]*;\\1.\\{9\\}\\)\\(.\\)\\(.*\\)/\\2\\3\\4\\n\\3/;ta;s/[^\\n]*\\n//'

Answer 6

試試這兩個：

第一個

sed 's/[^N]/ /g' file | awk '{for(i=1;i<=NF;i++){print $i":"length($i)}}'

第二個

cat file | tr -c 'N' ' ' | awk '{for(i=1;i<=NF;i++){print $i":"length($i)}}'

Answer 7

簡短的 GNU awk方法：

str='AATGATGGAANNNNNGATAGAACGATNNNNNNNNGATAATGANNNNNNNTAGACTGA'

awk -v FPAT='N+' '{for(i=1;i<=NF;i++) print $i,length($i)}' <<< $str

輸出：

NNNNN 5
NNNNNNNN 8
NNNNNNN 7

Answer 8

您可以借助正則表達式方法。

這是我從以下鏈接獲得的解決方案代碼

使用 Bash 計算字符串中字符的出現次數

needle=","
var="text,text,text,text"

number_of_occurrences=$(grep -o "$needle" <<< "$var" | wc -l)

如您所見，在 WC（字數）的幫助下，我們可以很容易地獲得“$needle”的出現次數。

您可以循環它以滿足您的需求。