regex - 从字符串中间删除字符

Question

我有一个带有RX:的SAM文件:字段包含12个碱基，中间用-即RX:Z:CTGTGC-TCGTAA隔开

我想从此字段中删除连字符，但是我不能简单地从整个文件中删除所有连字符，因为读取的名称包含它们，例如1713704_EP0004-T
大多数时候都尝试过tr,，但这只是从文件中删除所有连字符。

tr -d '"-' < sample.fq.unaln.umi.sam > sample.fq.unaln.umi.re.sam

输入是一个大于10,000,000行的大型SAM文件，如下所示:

1902336-103-016_C1D1_1E-T:34    99  chr1    131341  36  146M    =   131376  182 GGACAGGGAGTGTTGACCCTGGGCGGCCCCCTGGAGCCACCTGCCCTGAAAGCCCAGGGCCCGCAACCCCACACACTTTGGGGCTGGTGGAACCTGGTAAAAGCTCACCTCCCACCATGGAGGAGGAGCCCTGGGCCCCTCAGGGG  NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN  MC:Z:147M   MD:Z:83T62cD:i:4    cE:f:0  PG:Z:bwa    RG:Z:A  MI:Z:34 NM:i:1  cM:i:3  MQ:i:36 UQ:i:45 AS:i:141    XS:i:136    RX:Z:CTGTGC-TCGTAA

所需的输出(即最后一个字段)

1902336-103-016_C1D1_1E-T:34    99  chr1    131341  36  146M    =   131376  182 GGACAGGGAGTGTTGACCCTGGGCGGCCCCCTGGAGCCACCTGCCCTGAAAGCCCAGGGCCCGCAACCCCACACACTTTGGGGCTGGTGGAACCTGGTAAAAGCTCACCTCCCACCATGGAGGAGGAGCCCTGGGCCCCTCAGGGG  NNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNNN  MC:Z:147M   MD:Z:83T62cD:i:4    cE:f:0  PG:Z:bwa    RG:Z:A  MI:Z:34 NM:i:1  cM:i:3  MQ:i:36 UQ:i:45 AS:i:141    XS:i:136    RX:Z:CTGTGCTCGTAA

我该如何解决这个问题？

Answer 1

awk

awk '{sub(/-/,"",$NF)}1' file

是您所需要的。

说明

从this中可以明显看出，您只关心最后一个字段。

NF是记录包含的字段总数，因此$ NF是最后一个字段。

sub(/-/,"",$NF)用空字符串替换最后一个字段中的-，使更改永久生效。

GNU sed

由于this同样的原因，

sed -Ei 's/^(.*)-/\1/' file

将工作。它还有一个额外的优点，就是可以执行就地编辑。

说明

-E选项启用扩展的正则表达式引擎。

(.*)是一种贪婪搜索，它将与任意字符(.)匹配任意次数(*)。对于贪婪的事实，它将匹配最后一个连字符之前的所有内容。

()使sed记住匹配的内容。

在替换部分，我们只放置匹配的部分\1(1，因为我们只有一对括号，请注意，您可以根据需要设置任意数量)而没有连字符，从而有效地将其从最后一个字段中删除发生。

注意: GNU awk支持-i inplace，但是我不确定从哪个版本开始。