如何在字符串和数字模式周围添加双引号？

Question

您好，我需要在 300k 行的模式中添加双引号。我正在尝试使用 sed，并且在这里阅读了多个查询和其他来源，但我似乎无法理解它的语法。

我有：

chr1    StringTie       exon    191964  192299  1000    -       .       gene_id MSTRG.201; transcript_id MSTRG.201.53; exon_number 2;
chrY    StringTie       exon    26420508        26420531        1000    +       .       gene_id MSTRG.49889; transcript_id MSTRG.49889.11; exon_number 1;

我需要：

chr1    StringTie       exon    191964  192299  1000    -       .       gene_id "MSTRG.201"; transcript_id "MSTRG.201.53"; exon_number 2;
chrY    StringTie       exon    26420508        26420531        1000    +       .       gene_id "MSTRG.49889"; transcript_id "MSTRG.49889.11"; exon_number 1;

我使用 sed 如下：

sed 's/MSTRG./"MSTRG."/g' filename

但我只能得到：

chr1    StringTie       exon    191964  192299  1000    -       .       gene_id "MSTRG."201; transcript_id "MSTRG."201.53; exon_number 2;
chrY    StringTie       exon    26420508        26420531        1000    +       .       gene_id "MSTRG."49889; transcript_id "MSTRG."49889.11; exon_number 1;

我试过了：

sed -Ei 's|MSTRG[[:digit:]]+|"&"|g' filename
sed 's/M/"M/; s/$/"/' filename
sed 's/MSTRG.[[:digit:]]+/"MSTRG.[[:digit:]]+"/g' filename

但这些都行不通。

我想知道我是否可以使用 awk，但我对这种语言没有任何技能。

有什么帮助吗？

提前致谢。

Answer 1

为什么要把自己限制在这个特定的基因名称上呢？这是一个更通用的解决方案，它将在第一个之后gene_id或transcript_id之前的任何内容放在;引号中：

$ sed -E 's/(transcript_id|gene_id)  *([^;]+)/\1 "\2"/g' file
chr1    StringTie       exon    191964  192299  1000    -       .       gene_id "MSTRG.201"; transcript_id "MSTRG.201.53"; exon_number 2;
chrY    StringTie       exon    26420508        26420531        1000    +       .       gene_id "MSTRG.49889"; transcript_id "MSTRG.49889.11"; exon_number 1;

解释

• -E：这启用了扩展正则表达式，使我们可以使用( )非转义（not \( \)）来捕获组，并且还为我们提供+“一个或多个”，并允许我们使用非转义|为“这个或那个”。
• s/(transcript_id|gene_id) *([^;]+)/\1"\2"/g'：我们正在查找“transcript_id或” gene_id（这就是|使用“OR”的原因），后跟一个或多个空格 ( +)，然后是一个或多个非;字符。括号用于捕获匹配的内容，因此可以在替换运算符的右侧使用它。第一个捕获的组（此处为transcript_id或gene_id以及空格）将是\1，第二个将是，\2依此类推。然后，这全部替换为首先捕获的内容 ( \1)，然后替换为第二捕获的内容，并用引号 ( "\2") 括起来。
• s///g：g需要使替换g全局化，以替换在同一行上找到的所有匹配项。如果没有g，则只会替换第一场比赛。

您可以在任意基因名称上使用它，甚至是整个 GTF 文件，它应该可以正常工作。

Answer 2

使用 GNU sed：

sed -E 's/MSTRG[0-9.]+/"&"/g' file

输出：

chr1 StringTie 外显子 191964 192299 1000 - . 基因_id“MSTRG.201”；script_id "MSTRG.201.53"; 外显子号2；
chrY StringTie 外显子 26420508 26420531 1000 + . 基因 ID“MSTRG.49889”；script_id "MSTRG.49889.11"; 外显子号1；

&：引用模式空间中匹配的部分

请参阅：man sed和Stack Overflow 正则表达式常见问题解答