bash - 每第 i 个字符打印子串

Question

我有一些文件，我想以“滑动窗口”方式以 1 个字符为增量分成子字符串。每个文件只有一行，我可以像这样打印子字符串:

input="file.txt"
awk '{print substr($1,1,21)}' $input


awk '{print substr($1,2,21)}' $input

分别给我以下输出。

AATAAGGTGCCTGATTAAA-G   
ATAAGGTGCCTGATTAAA-GG

输入文件包含大约 17k 个字符，我设法尝试执行一个 for 循环来计算字符数，并在 for 循环中尝试上面的命令，如下所示:

count=`wc -c ${input} |cut -d' ' -f1`
for num in `seq ${count}`
   do
awk '{print substr($1,$num,21)}' $input
   done

但这会返回空输出。我还想将它作为 bash 脚本运行，其中包含在命令行中指定的输入和子字符串的大小以及输出文件，例如:

script.sh input_file.txt 21 output.txt

我试过了，但还是不行。

  input=$1
  kmer=$2
  output=$3
  count=`wc -c ${input} |cut -d' ' -f1`
  for num in `seq ${count}`
    do
 awk '{print substr($1,$num,$kmer)}' $input > $output
  done

关于我做错了什么的任何提示？我是 awk 的新手...

Answer 1

#!/usr/bin/env bash 

input=$1
kmer=$2
output=$3

data=$(<"$input")

for ((i=0;i<${#data};i++)); do
    echo "${data:i:kmer}"
done > "$output"

它只使用substring expansion ，引自手册:

${parameter:offset:length}

This is referred to as Substring Expansion. It expands to up to length characters of the value of parameter starting at the character specified by offset.

---

使用 gawk :

awk -v num="$kmer" '{for(i=1;i<=length($0);i++) print substr($0,i,num)}' "$input" > "$output"

这是一个大大更快的解决方案。速度差异显着:在 17k 个字符和 30 个字符的窗口上进行测试:第一个解决方案为 ~10s，第二个解决方案为 ~0.01s。