sed Substitution (s) Gruppierung funktioniert nicht

Question

Ich habe ein Problem mit meiner Regex für sed. Es scheint, dass die Gruppierung nicht richtig funktioniert und ich kann nicht herausfinden warum.

habe ich versucht, diese und viele Derivate dieses Befehls:

sed -er "/s/^(\>[\w\d]+\=[\d]+)_.+\]_([\d])$/\1\2/" test.fa 

auf dieser Zeichenfolge (Datei) [Achtung: das ‚>‘ von dieser Form entfernt wurden, und vor jedem TRINITY, Linien sind alternierende ID (>TRINITY usw.) und Sequenzen (Großbuchstaben, mit Sternchen) Zeilenumbrüche (-> hier Raum) fehlen]:

>TRINITY_DN41792_c0_g3_i1_len=553_path=[700:0-121_707:122-163_706:164-240_694:241-552]_[-1,_700,_707,_706,_694,_-2]_3 KMA 
>TRINITY_DN41806_c0_g1_i1_len=213_path=[245:0-129_246:130-147_247:148-212]_[-1,_245,_246,_247,_-2]_1 NSIAP 
>TRINITY_DN41806_c0_g1_i1_len=213_path=[245:0-129_246:130-147_247:148-212]_[-1,_245,_246,_247,_-2]_2 TQ*LHIL 
>TRINITY_DN41806_c0_g1_i1_len=213_path=[245:0-129_246:130-147_247:148-212]_[-1,_245,_246,_247,_-2]_3 LNS 
>TRINITY_DN41788_c0_g1_i1_len=188_path=[208:0-97_209:98-128_210:129-152_211:153-187]_[-1,_208,_209,_210,_211,_-2]_1 
*KLCT 
>TRINITY_DN41788_c0_g1_i1_len=188_path=[208:0-97_209:98-128_210:129-152_211:153-187]_[-1,_208,_209,_210,_211,_-2]_2 ENCA 
>TRINITY_DN41788_c0_g1_i1_len=188_path=[208:0-97_209:98-128_210:129-152_211:153-187]_[-1,_208,_209,_210,_211,_-2]_3 KI 
>TRINITY_DN41788_c0_g2_i1_len=167_path=[212:0-97_213:98-128_214:129-152_215:153-166]_[-1,_212,_213,_214,_215,_-2]_1 
*KLCT 
>TRINITY_DN41788_c0_g2_i1_len=167_path=[212:0-97_213:98-128_214:129-152_215:153-166]_[-1,_212,_213,_214,_215,_-2]_2 ENC 
>TRINITY_DN41788_c0_g2_i1_len=167_path=[212:0-97_213:98-128_214:129-152_215:153-166]_[-1,_212,_213,_214,_215,_-2]_3 KIVH 
>TRINITY_DN41788_c1_g1_i1_len=183_path=[154:0-182]_[-1,_154,_-2]_1 YGS 
>TRINITY_DN41788_c1_g1_i1_len=183_path=[154:0-182]_[-1,_154,_-2]_2 TDPRTVP 
>TRINITY_DN41788_c1_g1_i1_len=183_path=[154:0-182]_[-1,_154,_-2]_3 RIPGQF 

ich mag von der Mitte zu befreien: ‚_path =‘ bis zum letzten '_'

Was fehlt mir?

Answer 1

Es gibt zu viele Regex-Sets :(Versuchen Sie dies, ich entfernte die zweite Gruppierung, b/c, wenn Sie nur den mittleren Teil entfernen möchten, Sie brauchen es nicht. Der Schalter bewirkt nur, was zusammenpasst. Ich versuche, starke Anführungszeichen zu verwenden, es sei denn, es gibt einen Grund, dies nicht zu tun.

sed -r 's/(^>.*=[0-9]+)_.+\]_/\1/' test.fa

Aus einer Zeile wie folgt: >TRINITY_DN41806_c0_g1_i1_len=213_path=[245:0-129_246:130-147_247:148-212]_[-1,_245,_246,_247,_-2]_1 NSIAP

ich dieses: >TRINITY_DN41806_c0_g1_i1_len=2131 NSIAP

Mit heraus ein Beispiel für Ihre erwartete Leistung, muss ich vertraue ich richtig Ihre Erklärung lesen.

edit: Ich hatte kein Glück \ w und \ d mit erweiterten regex sed die mit

Answer 2

Nun, ich habe es in Python versucht, und es scheint, dass Ihre Regexp Ok ist mit Ausnahme der letzten $. Hier ist mein Versuch:

"^(\>\w+\=\d+)_.+\]_(\d)" 

ich entfernt die unnötigen Zeichensätze. Das Problem war, dass die $ das Ende der Zeichenfolge bezeichnet, was nicht wahr ist, da das Muster die Ziffer nach dem letzten Unterstrich erfasst, der nicht das Ende der Zeichenfolge ist.

Die regexp kann auch kürzer sein:

"([^=]+=\d+).*_(\d)" 

[^=]+ alle Symbole nehmen, die nicht =

= dann die = Zeichen

.*_ dann alles bis zum letzten Strich

(\d) dann eine Ziffer