awk脚本用两个文件字段中的信息解析案例

Question

我有一个awk解析器，适用于所有数据输入但只有一个，我遇到了麻烦。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_35delGGinsT）。

解析规则：

跳过标题

1. NC_之后的4个零（并非总是如此）和之前的数字。
2. 克。 ###（在下划线之前）_ ###（＃后_）
3. ＆＃34; del＆＃34;之后的字母直到“ins”
4. ＆＃34; ins＆＃34;
之后的字母

期望的输出：

13     20763686     20763687     GG     T

输入：

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

我的尝试：

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

Answer 1

我认为在这种情况下，你最好使用正则表达式。这种sed单行产生了所需的输出：

$ 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

它不会赢得任何美容奖项，但希望它相当清楚发生了什么。括号中的部分将被捕获并在输出中使用，由制表符分隔。