使用正则表达式提取子字符串

Question

我有以下文件：

> cat hit.txt | head
gene.69778.3.0.p1
gene.65186.0.2.p1
chr11_pilon3.g961.t1
gene.3169.3.4.p1
chr11_pilon3.g3568.t1
gene.1708.8.0.p1
gene.41465.0.3.p1
chr04_pilon3.g11582.t1
gene.101930.0.1.p1
gene.93918.0.0.p1
gene.65186.8.2.p1

我想得到这个输出：

gene.69778
gene.65186
gene.3169
gene.1708
gene.41465
gene.101930
gene.93918
gene.65186

我只能弄清楚awk '$1 ~ /^gene/'。如何获得上述输出？

Answer 1

你可以使用这个简单的sed：

sed -nE 's/^(gene\.[0-9]+).*/\1/p' hit.txt

gene.69778
gene.65186
gene.3169
gene.1708
gene.41465
gene.101930
gene.93918
gene.65186

这个怎么运作：

• -n: 禁用正常输出
• -E: 启用扩展正则表达式
• ^(gene\.[0-9]+)：gene.<number>在开始时匹配并在第 1 组中捕获
• .*: 匹配剩余的字符串
• \1：反向引用组 #1
• p: 打印替换的子串

或者，这gnu awk也可以完成工作：

awk '/^gene\./ {print gensub(/^(gene\.[0-9]+).*/, "\\1", "1")}' hit.txt

gene.69778
gene.65186
gene.3169
gene.1708
gene.41465
gene.101930
gene.93918
gene.65186