grep（bash）多行模式

Question

在bash（4.3.46（1））中，我有一些多行所谓的fasta记录，其中每条记录都是通过> name和以下行的DNA序列（[AGCTNacgtn]）启动的，这里有三条记录：

>chr1
AGCTACTTTT
AGGGNGGTNN
>chr2
TTGNACACCC
TGGGGGAGTA
>chr3
TGACGTGGGT
TCGGGTTTTT

如何使用bash grep获取第二条记录？在其他语言中，可以使用：

>chr2\n([AGCTNagctn]*\n)*

在Bash中，我试图使用来自here（以及其他SO）的想法。这不起作用：

grep -zo '>chr2[AGCTNacgtn]+' file 

结果应该是：

>chr2
TTGNACACCC
TGGGGGAGTA

解

在我的系统上，这是解决方案（下面是几乎Cyrus，即管道到第二个grep .）：

grep -Pzo '>chr1\n[AGCTNacgtn\n]+' file

Answer 1

使用GNU grep：

grep -Pzo '>chr2\n[AGCTNacgtn\n]+' file | grep .

输出：

>chr2
TTGNACACCC
TGGGGGAGTA

Answer 2

你可以使用awk和自定义RS：

awk -v n=2 -v RS='(^|\n)>' 'NR==n+1{print ">" $0}' file    
>chr2
TTGNACACCC
TGGGGGAGTA

Answer 3

你应该安装FAST perl包。它包含许多可直接从shell使用的实用程序，用于处理fasta文件，如fashead或fastail（和much more）

安装后很简单：

fashead -n2 fastafile | fastail -n1

产量

>chr2
TTGNA.....

甚至更简单

fasgrep chr2 fastafile

具有相同的输出......

Answer 4

试试这个 -

grep 'chr2' -A 2 file
>chr2
TTGNACACCC
TGGGGGAGTA

Answer 5

使用多行记录的最佳工具是awk。

在你的情况下：

awk 'BEGIN{RS=">"} NR==2 {print RS$0}' input.txt

input.txt

>chr1
AGCTACTTTT
AGGGNGGTNN
>chr2
TTGNACACCC
TGGGGGAGTA
>chr3
TGACGTGGGT
TCGGGTTTTT

Explanation:

BEGIN{RS=">"}最初将记录分隔符设置为">"

NR==2过滤器仅用于记录＃2

{print RS$0}打印记录＃2，缺少记录分隔符