我有一个DNA序列文件“测试”，每个序列都带有标头或ID，如下所示：
>new
ATCGGC
>two
ACGGCTGGG
>tre
ACAACGGTAGCTACTATACGGTCGTATTTTTT
我想在匹配给定字符串之前和之后打印每个连续字符串的长度，例如 CGG
输出将如下所示：
>new
2 1
>two
1 5
>tre
4 11 11
或者可能只是每行匹配之前和之后的字符长度。
2 1
1 5
4 11 11
我的第一次尝试是使用sed在找到'>'之后打印下一行，然后找到了每个grep匹配“ CGG”的字节偏移量，我打算将其用于转换为长度，但这产生了以下内容：
sed -n '/>/ {n;p}' test | grep -aob "CGG"
2:CGG
8:CGG
21:CGG
35:CGG
本质上，grep会为每个匹配打印字节偏移量，然后递增计数，而我希望独立为每一行添加字节偏移量（即在每行之后重置）。
我想我也需要使用sed进行搜索，因为它逐行运行，但是我不确定如何计算给定字符串中的字节偏移量或字符。
任何帮助将非常感激。
通过使用给定的字符串作为awk中的字段分隔符，就像遍历每行中的字段并打印其长度一样简单。（以>我们开头的行照原样打印。）
尽管您可能需要检查一些边缘情况，例如以CGG，以，以CGG，仅包含CGG，等，这将为您的示例数据提供所需的输出。
$ awk -F CGG '/^>/ {print; next} {for (i=1; i<=NF; ++i) {printf "%s%s", length($i), (i==NF)?"\n":" "}}' file.txt
>new
2 1
>two
1 5
>tre
4 11 11
awk -F CGG
使用“ CGG”作为字段分隔符调用awk。这会将每一行解析为一组字段，这些字段由字符串“ CGG”的每次（如果有）出现分隔。“ CGG”字符串本身既不包含在任何字段中，也不包含在任何字段中。
因此，该线ACAACGGTAGCTACTATACGGTCGTATTTTTT被解析成三个字段：ACAA，TAGCTACTATA，和TCGTATTTTTT，通过在AWK程序表示$1，$2和$3分别。
'/ ^> / {print; 下一个}
此模式/操作告诉awk，如果该行>以打印该行开始并立即转到输入的下一行，则无需考虑awk程序中的任何其他模式或操作。
{for（i = 1; i <= NF; ++ i）{printf“％s％s”，length（$ i），（i == NF）？“ \ n”：“”}}
如果我们执行此操作，我们知道该行不是从开头开始的>（请参见上文）。由于只有一个动作而没有任何模式，因此将为到达此处的每一行输入执行该动作。
for循环遍历所有字段（这NF是一个特殊的awk变量，其中包含当前行中的字段数）并显示它们的长度。通过检查是否到达最后一个字段，我们知道是打印换行符还是仅打印空格。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句