使用 sed 捕获组

Question

我有一个看起来像这样的文件：

chr1    3143567 3143568 .3-2704 1.000000|ENSMUSG00000102693.2
chr1    3143599 3143600 .3-2705 1.000000|ENSMUSG00000102693.2
chr1    3143631 3143632 .3-2706 1.000000|ENSMUSG00000102693.2
chr1    3143663 3143664 .3-2707 1.000000|ENSMUSG00000102693.2
chr1    3143695 3143696 .3-2708 1.000000|ENSMUSG00000102693.2
chr1    3143727 3143728 .3-2709 1.000000|ENSMUSG00000102693.2

我正在编写 2 个 sed 表达式来过滤|第一个表达式之前的所有内容，并且对于结果文件，我会丢弃之后的所有内容，.如下所示：

sed -n -e 's/^.*|//p' original_file.txt > first_result.txt

sed -n -e 's/\..*//p' first_result.txt > final_result.txt

我怎样才能将所有这些写在一行中？

最终目标是捕获ENSMUSG00000102693

Answer 1

您的命令将丢弃不包含|字符的行以及鼠标基因标识符没有版本号的行。sed -n我不确定这是有意的，但这是与p标记一起使用的副作用s。我假设这是无意的。

只需使用两个表达式sed：

sed -e 's/.*|//' -e 's/\..*//' file >newfile

使用grep具有非标准-o选项的命令，并假设您只想从文件中提取所有 Ensembl 小鼠基因稳定 ID（并且该文件仅包含您想要提取的稳定 ID），

grep -o 'ENSMUSG[[:digit:]]*' file >newfile

您还可以使用两个链接cut命令，每个命令都会对数据进行与sed本答案前面的两个替换类似的修改。使用静态剪切可能比使用正则表达式更快，但我怀疑除非您的输入数据很大，否则您不会看到任何重大的速度差异。

cut -d '|' -f 2 file | cut -d '.' -f 1 >newfile