如何从gz文件中提取特定文本？

Question

我需要从我的fastq.gz数据中提取5到11个字符，该数据对于在R中运行而言太大了。所以我想知道是否可以在Linux命令行中直接进行操作？ fastq文件如下所示：

@NB501399:67:HFKTCBGX5:1:11101:13202:1044 1:N:0:CTTGTA
GAGGTNACGGAGTGGGTGTGTGCAGGGCCTGGTGGGAATGGGGAGACCCGTGGACAGAGCTTGTTAGAGTGTCCTAGAGCCAGGGGGAACTCCAGGCAGGGCAAATTGGGCCCTGGATGTTGAGAAGCTGGGTAACAAGTACTGAGAGAAC
+
    AAAAA#EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAAAEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAE6

@NB501399:67:HFKTCBGX5:1:11101:1109:1044 1:N:0:CTTGTA
TAGGCNACCTGGTGGTCCCCCGCTCCCGGGAGGTCACCATATTGATGCCGAACTTAGTGCGGACACCCGATCGGCATAGCGCACTACAGCCCAGAACTCCTGGACTCAAGCGATCCTCCAGCCTCAGCCTCCCGAGTAGCTGGGACTACAG
+

我只想提取序列部分中的5到11个字符（第一个是TNACGG，第二个是CNACCT），并使其成为新的txt文件。我可以这样做吗？

Answer 1

您可以将GNU sed与zcat一起使用：

zcat fastq.gz | sed -n '2~5{s/.\{4\}\(.\{6\}\).*/\1/;p}'

• -n表示默认情况下不打印行
• 2~5表示从第2行开始，每5行匹配一次
• 当“地址”匹配时，替换项会记住\1中的第五到第十个字符，并用它替换整行，p打印结果

Answer 2

另一个使用zgrep并向后看的人：

$ zgrep -oP "(?<=^[ACTGN]{4})[ACTGN]{6}" foo.gz
TNACGG
CNACCT

解释：

• zgrep：man zgrep：搜索可能的压缩文件以查找正则表达式
• -o 仅打印匹配行的匹配（非空）部分
• -P 将模式解释为与Perl兼容的正则表达式（PCRE）。
• (?<=^[ACTGN]{4})令人反感
• [ACTGN]{6}匹配上面的6个命名字符
• foo.gz我的测试文件

Answer 3

$ zcat fastq.gz | awk '(NR%5)==2{print substr($0,5,6)}'
TNACGG
CNACCT