wählen Sie bestimmte Spalten aus komplexen Linien

Question

Ich habe eine Datei, die Zeilen mit dem folgenden Format enthält. Ich würde nur die erste Spalte halten möchten und die Spalte den String mit folgendem Format NC_XXXX.1

484-2117 16 gi|9634679|ref|NC_002188.1| 188705 23 21M * 0 0 CGCGTACCAAAAGTAATAATT IIIIIIIIIIIIIIIIIIIII AS:i:-6 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:0G20 YT:Z:UU 
787-1087 16 gi|21844535|ref|NC_004068.1| 7006 23 20M * 0 0 CTATACAACCTACTACCTCA IIIIIIIIIIIIIIIIIIII AS:i:-6 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:19T0 YT:Z:UU 
..... 
.... 
... 

Ausgabe enthält:

484-2117 NC_002188.1 
787-1087 NC_004068.1 

Answer 1

So etwas wie dies in Perl hinzuzufügen:

#!/usr/bin/env perl 
use strict; 
use warnings; 

while (<DATA>) { 
    my ($id, $nc) = m/^([\d\-]+).*(NC_[\d\.]+)/; 
    print "$id $nc\n"; 
} 

__DATA__ 
484-2117 16 gi|9634679|ref|NC_002188.1| 188705 23 21M * 0 0 CGCGTACCAAAAGTAATAATT IIIIIIIIIIIIIIIIIIIII AS:i:-6 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:0G20 YT:Z:UU 
787-1087 16 gi|21844535|ref|NC_004068.1| 7006 23 20M * 0 0 CTATACAACCTACTACCTCA IIIIIIIIIIIIIIIIIIII AS:i:-6 XN:i:0 XM:i:1 XO:i:0 XG:i:0 NM:i:1 MD:Z:19T0 YT:Z:UU 

Ausgang:

484-2117 NC_002188.1 
787-1087 NC_004068.1 

Was reduziert auf einen einzigen Liner von:

Hinweis - dies entspricht speziell einer ersten Spalte aus Nummer und Bindestrich - Sie könnten dies mit einer größeren Regex-Übereinstimmung tun.

Answer 2

awk zur Rettung!

$ awk -F' +|\\|' '{for(i=2;i<=NF;i++) if($i ~ /^NC_[0-9.]+$/) {print $1,$i; next}}' file 
484-2117 NC_002188.1 
787-1087 NC_004068.1 

wenn der Raum ein Register char ist, müssen die Begrenzungsliste

$ awk -F' +|\\||\t' ... 

Answer 3

mit GNU-awk unten Lösung sein könnte:

awk '{printf "%s %s\n",$1,gensub(/.*(NC_.*\.1).*/,"\\1",1,$0)}' file 

Ausgabe

484-2117 NC_002188.1 
787-1087 NC_004068.1 

Eine restriktivere Version

awk '{printf "%s %s\n",$1,gensub(/.*(NC_[[:digit:]]*\.1).*/,"\\1",1,$0)}' file 

Answer 4

Mit Perl wäre:

perl -anE'say "$F[0] ",(split /\|/, $F[2])[3]' file 

oder awk:

awk -F'\\|| +' '{print $1,$6}' file 

Answer 5

awk -F'[ |]' '{print $1,$10}' file 
484-2117 NC_002188.1 
787-1087 NC_004068.1