Perl 从awk中的文件中将前后字符提取为匹配的字符串

我有一个很大的字符串文件

seq.txt

，里面有超过200000个字符。没有空格、数字等，只有a-z

我还有第二个文件

search.txt

，其中有50行唯一的字母，它们将在

seq.txt

中匹配一次。有4000种模式需要匹配

我希望能够找到每个模式（文件

search.txt

中的行），然后在模式匹配之前获得100个字符，在模式匹配之后获得100个字符

我有一个脚本，使用grep并运行，但运行速度非常慢，只运行前100个字符，并用echo写出。我在awk或perl方面的知识还不够渊博，无法在线解释可能适用的脚本，所以我希望这里有人能够理解

cat search.txt | while read p; do echo "grep -zoP '.{0,100}$p' seq.txt | sed G"; done > do.grep

具有所需输出的简单示例：

>head seq.txt    
abcdefghijklmnopqrstuvwxyz

>head search.txt
fgh
pqr
uvw

>head desiredoutput.txt
cdefghijk
mnopqrstu
rstuvwxyz

最好的结果是在匹配模式前\t 100个字符后\t 100个字符的

标签分隔文件。提前谢谢你
 单向

use warnings;
use strict;
use feature 'say';

my $string;

# Read submitted files line by line (or STDIN if @ARGV is empty)
while (<>) {
    chomp;
    $string = $_;    
    last;          # just in case, as we need ONE line
}
# $string = q(abcdefghijklmnopqrstuvwxyz);   # test

my $padding = 3;  # for the given test sample

my @patterns = do { 
    my $search_file = 'search.txt';
    open my $fh, '<', $search_file or die "Can't open $search_file: $!";
    <$fh>;
};
chomp @patterns;
# my @patterns = qw(bcd fgh pqr uvw);  # test

foreach my $patt (@patterns) {
    if ( $string =~ m/(.{0,$padding}) ($patt) (.{0,$padding})/x ) {
        say "$1\t$2\t$3";
        # or
        # printf "%-3s\t%3s%3s\n", $1, $2, $3;
    }
}

请注意，如果一个
$patt
在第一个/最后一个
$padding
字符中，那么它就是不匹配的

该程序为每个
@模式启动regex引擎，原则上可能会引起性能问题（不是一次运行4000个模式的情况，但这种需求往往会发生变化，并且通常会增加）。但这是迄今为止最简单的方法


我们不知道这些模式是如何在字符串中分布的，并且


一个匹配可能在另一个的100字符缓冲区内（我们没有被告知其他情况）



如果此方法存在性能问题，请更新


†对于类似于

program.pl --sequence seq.txt --search search.txt --padding 100

其中每个参数在这里都是可选的，在文件中设置默认值，参数名称可以缩短和/或指定其他名称，等等。请告诉我是否对awk中的参数感兴趣
-vb=3
是前上下文长度
-va=3
是后上下文长度，
-vn=3
是始终不变的匹配长度。它将
seq.txt
的所有子字符串散列到内存中，因此它会根据
seq.txt
的大小使用它，您可能希望使用
top
来跟踪消耗，例如：
abcdefghij
->
s[“def”]=“abcdefghi”
，
s[“efg”]=“bcdefghij”
等

$ awk -v b=3 -v a=3 -v n=3 '
NR==FNR {
    e=length()-(n+a-1)
    for(i=1;i<=e;i++) {
        k=substr($0,(i+b),n)
        s[k]=s[k] (s[k]==""?"":ORS) substr($0,i,(b+n+a))
    }
    next
}
($0 in s) {
    print s[$0]
}' seq.txt search.txt

您可以告诉
grep
一次性搜索所有模式

sed's/*/.{0100}&.{0100}/'search.txt|
grep-zoEf-seq.txt|
sed G>do.grep

4000个模式应该很简单，但是如果你有几十万个，也许你会想要优化

这里没有Perl正则表达式，所以我从非标准的
grep-p
切换到与POSIX兼容并且可能更高效的
grep-E

周围的上下文将使用它打印的任何文本，因此不会打印上一个文本中100个字符以内的任何匹配项。
您可以尝试以下方法解决问题：


加载字符串输入数据
加载到阵列模式中
循环遍历每个模式并在字符串中查找它
从找到的匹配项中形成数组
循环匹配数组并打印结果

注：由于缺少输入数据，代码未经测试

use strict;
use warnings;
use feature 'say';

my $fname_s = 'seq.txt';
my $fname_p = 'search.txt';
    
open my $fh, '<', $fname_s
    or die "Couldn't open $fname_s";
my $data = do { local $/; <$fh> };
close $fh;

open my $fh, '<', $fname_p
    or die "Couln't open $fname_p";
my @patterns = <$fh>;
close $fh;

chomp @patterns;

for ( @patterns ) {
    my @found = $data =~ s/(.{100}$_.{100})/g;
    s/(.{100})(.{50})(.{100})/$1 $2 $3/ && say for @found;
}

如果图案前（或后）没有100个字符怎么办？（如在字符串中的位置50处或结尾前的位置60处发现图案。）使用任何填充？如果有多个相同的匹配，则打印一个或全部或计数？@zdim，它们都保证在距离ends@JamesBrown我的案子里没有完全相同的匹配，但是如果有打印，那么只有一行吗？谢谢！有没有办法从文件中输入字符串而不是键入它们？我的真实示例中的字符串有数十万个字符input@geri添加了从文件读取。在健壮性方面，存在一个问题，即如何处理文件中可能有多行的可能性；我只是在一读之后就跳出了循环。还有其他问题，如何处理可能的意外输入，所以请考虑生产使用。@ geri Forgot，你也需要从文件中的模式（当然！），谢谢！它完全符合我的要求，不会出现错误。@geri Great:）如果出现问题，请告诉我您可以测试我的解决方案使用了多少内存吗？
cdefghijk
mnopqrstu
rstuvwxyz

use strict;
use warnings;
use feature 'say';

my $fname_s = 'seq.txt';
my $fname_p = 'search.txt';
    
open my $fh, '<', $fname_s
    or die "Couldn't open $fname_s";
my $data = do { local $/; <$fh> };
close $fh;

open my $fh, '<', $fname_p
    or die "Couln't open $fname_p";
my @patterns = <$fh>;
close $fh;

chomp @patterns;

for ( @patterns ) {
    my @found = $data =~ s/(.{100}$_.{100})/g;
    s/(.{100})(.{50})(.{100})/$1 $2 $3/ && say for @found;
}

use strict;
use warnings;
use feature 'say';

my @pat  = qw/fgh pqr uvw/;
my $data = do { local $/; <DATA> }; 

for( @pat ) {
    say $1 if $data =~ /(.{3}$_.{3})/;
}

__DATA__
abcdefghijklmnopqrstuvwxyz

cdefghijk
mnopqrstu
rstuvwxyz