从字符串中间删除字符

Question

我有一个带有RX：的SAM文件：字段包含12个碱基，中间用-ie 隔开RX:Z:CTGTGC-TCGTAA

我想从此字段中删除连字符，但是我不能简单地从整个文件中删除所有连字符，因为读取的名称包含它们，例如 1713704_EP0004-T

大多数情况下都在尝试，tr,但这只是从文件中删除所有连字符。

tr -d '"-' < sample.fq.unaln.umi.sam > sample.fq.unaln.umi.re.sam

输入是一个大于10,000,000行的大型SAM文件，如下所示：

1902336-103-016_C1D1_1E-T:34    99  chr1    131341  36  146M    =   131376  182 GGACAGGGAGTGTTGACCCTGGGCGGCCCCCTGGAGCCACCTGCCCTGAAAGCCCAGGGCCCGCAACCCCACACACTTTGGGGCTGGTGGAACCTGGTAAAAGCTCACCTCCCACCATGGAGGAGGAGCCCTGGGCCCCTCAGGGG  NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN  MC:Z:147M   MD:Z:83T62cD:i:4    cE:f:0  PG:Z:bwa    RG:Z:A  MI:Z:34 NM:i:1  cM:i:3  MQ:i:36 UQ:i:45 AS:i:141    XS:i:136    RX:Z:CTGTGC-TCGTAA

所需的输出（即最后一个字段）

1902336-103-016_C1D1_1E-T:34    99  chr1    131341  36  146M    =   131376  182 GGACAGGGAGTGTTGACCCTGGGCGGCCCCCTGGAGCCACCTGCCCTGAAAGCCCAGGGCCCGCAACCCCACACACTTTGGGGCTGGTGGAACCTGGTAAAAGCTCACCTCCCACCATGGAGGAGGAGCCCTGGGCCCCTCAGGGG  NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN  MC:Z:147M   MD:Z:83T62cD:i:4    cE:f:0  PG:Z:bwa    RG:Z:A  MI:Z:34 NM:i:1  cM:i:3  MQ:i:36 UQ:i:45 AS:i:141    XS:i:136    RX:Z:CTGTGCTCGTAA

我该如何解决这个问题？

Answer 1

awk

awk '{sub(/-/,"",$NF)}1' file

是您所需要的。

说明

• 从这个很明显，你只关心最后一个字段。
• NF是记录包含的字段总数，因此$ NF是最后一个字段。
• sub(/-/,"",$NF)用-空字符串替换最后一个字段中的，使更改保持不变。

GNU sed

对于这个同样的原因，

sed -Ei 's/^(.*)-/\1/' file

将工作。它具有可以执行就地编辑的附加优点。

说明

• 该-E选项启用扩展的正则表达式引擎。
• 这(.*)是一个贪婪的搜索，它将与任意字符（.）匹配任意次（*）。对于贪婪的事实，它将匹配最后一个连字符。
• 该()品牌sed还记得发生了什么匹配。
• 在替换部分中，我们只放置了匹配的部分\1（1因为我们只有一对括号，请注意，您可以根据需要设置任意数量）而没有连字符，从而有效地将其从应该出现的最后一个字段中删除。

_{注：该GNU awk支持-i inplace，但我不知道从哪个版本。}