awk脚本，用于使用文件的两个字段中的信息分析案例

我有一个

awk

解析器，它适用于除一个数据输入之外的所有数据输入，我在使用它时遇到了问题。问题在于以下规则步骤1和2来自

$2

（NC_000013.10:g.20763686_20763687delinsA），步骤3和4来自

$1

（NM_004004.5:c.34_35delginst）

解析规则： 标题将被跳过并删除

NC_后4个零（不总是这种情况）和前4个数字

g、 ####（下划线前）####（#在35;之后）

“del”后面的字母直到“ins”

“ins”后面的字母

期望输出： 输入： 我的尝试：

---

我认为在这种情况下，最好使用正则表达式。这是一个线性产生所需的输出：

$ sed -nr 's/.*del([A-Z]+)ins([A-Z]+).*NC_0{4}([0-9]+).*g\.([0-9]+)_([0-9]+).*/\3\t\4\t\5\t\1\t\2/p' file
13      20763686        20763687        GG      T

它不会赢得任何选美奖，但希望它很清楚到底发生了什么。括号中的部分被捕获并在输出中使用，由制表符分隔

Input Variant   Errors  Chromosomal Variant Coding Variant(s)
NM_004004.5:c.34_35delGGinsT        NC_000013.10:g.20763686_20763687delinsA NM_004004.5:c.34_35delinsT  XM_005266354.1:c.34_35delinsT   XM_005266355.1:c.34_35delinsT   XM_005266356.1:c.34_35delinsT

awk 'NR>1 {split($2,a,"[_.>]");b=substr(a[4],1,length(a[4]-1));print a[2]+0,b,b,substr(a[4],length(a[4])),a[5]}' OFS="\t" out_position.txt > out_parse.txt

$ sed -nr 's/.*del([A-Z]+)ins([A-Z]+).*NC_0{4}([0-9]+).*g\.([0-9]+)_([0-9]+).*/\3\t\4\t\5\t\1\t\2/p' file
13      20763686        20763687        GG      T