在特定列中使用awk提取模式

我想修改一个文件（gff3格式），只取最后一列的一个特定部分

我的文件如下所示，其中有九列由制表符空格分隔：

NW_015494524.1格诺蒙CD 1220137 1220159。-0id=cds20267；父母=rna22739；Dbxref=GeneID:107513619，Genbank:XP_016006018.1；Name=XP_016006018.1；gbkey=CDS；基因=A3GALT2；产品=alpha_1%2C3-半乳糖基转移酶_2蛋白质_id=XP_016006018.1

我只想提取最后一列（$9）中的基因名（；gene=XXX；）。 输出：

NW_015494524.1格诺蒙CD 1220137 1220159。-0 A3GALT2

完成后，我想将第4、5、7、8列和从第9列中提取的值合并到一个唯一的列中 预期产出：

A3GALT2 1220137 1220159-0

我尝试使用

awk

仅获取最后一列中的模式gene=xxxx。我的基因名是大写字母，带数字或不带数字；并用“；”分隔第九列中的分号

awk  FS "[ \t]" '$9 ~/gene=[A-Z0-9]$/ {print $0, $4, $5, $7, $8}' <file>

awk FS“[\t]”“$9~/gene=[A-Z0-9]$/{print$0、$4、$5、$7、$8}”

它不起作用。使用

awk

或者

sed

或者

grep

有没有其他更好的方法

---

提前感谢您的帮助。

以下awk也会对您有所帮助

awk '{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));$NF=""} 1'  Input_file

awk '$9 ~ /.*gene=/{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));print $9,$4,$5,$7,$8} '  Input_file

输出如下

NW_015494524.1 Gnomon CDS 1220137 1220159 . - 0 A3GALT2

A3GALT2 1220137 1220159 - 0

编辑：正如我在评论中提到的那样，我不清楚您需要哪种输出，以防您需要第二次显示的输出，以下输出可能会对您有所帮助

awk '{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));$NF=""} 1'  Input_file

awk '$9 ~ /.*gene=/{sub(/.*gene=/,"",$(NF-1));sub(/\;.*/,"",$(NF-1));print $9,$4,$5,$7,$8} '  Input_file

输出如下

NW_015494524.1 Gnomon CDS 1220137 1220159 . - 0 A3GALT2

A3GALT2 1220137 1220159 - 0

---

awk解决方案：

awk '{ split($9,a,";"); print substr(a[6],6),$4,$5,$7,$8 }' file

• split（$9，a，“；”）

  -使用

  将第9个字段拆分为块数组
  a
  作为分隔符
  

• substr（a[6]，6）

  -从substring

  gene=XXXXXXXX中提取所需的基因名
  

输出：

A3GALT2 1220137 1220159 - 0

---

一个简单的awk解决方案

$ awk '{match($9,/gene=(\w+);/,a); print a[1],$4,$5,$7,$8}' file
A3GALT2 1220137 1220159 - 0

---

{match（$9，/gene=（\w+）；/，a）；

：这将匹配

$9

中的regex

gene=（\w+）；

和捕获组

（\w+）

将存储在数组

a

中，仅此而已。

感谢您的回复和帮助。是的，我希望输出为您所做的。仅保留基因名称、位置、链和相位信息。它们将用作新fasta序列的标题。我将尝试这些命令。

您希望输出为

NW_015494524.1 Gnomon CDS 1220137 1220159.-0 A3GALT2

或

NW_015494524.1 Gnomon CDS 1220137 1220159.-0

，请向我们解释更多？是的，对不起。我想分两部分进行，但我可以一次完成。我想要基因名称、位置、链和相位。感谢解决方案。谢谢。好的，排除我需要ad（）的数组的基因=吗关于基因名。如果我不放一个，捕获存储默认是在数组$0中吗？@Nico64:您不必在源输入文件中放

（）

。

（）
match
函数中的

告诉我们如何捕获paranthesis中提到的模式。另外，如果我们没有在

match

函数中指定

a

，那么它将不会被存储，但我们可以使用

RSTART

和

RLENGTH

参数，这些参数在调用

match

函数时默认设置。

RSTART

表示第一个匹配字符的索引，如果不匹配，则为0；如果不匹配，则为长度，-1。好的。是的，对于括号，我的意思不是在infle中，而是在awk命令中，仅将名称作为存储的模式。