生物信息学基础教程第4讲：正则表达式教程.ppt

1、生物信息学基础教程 第4讲：正则表达式教程,正则表达式与模式匹配,本节内容,正则表达式 正则表达式的定义与表示方法 正则表达式中的元字符（metacharacter） VIM编辑器 grep命令 sed编辑器 awk工具,正则表达式,所谓正则表达式（regular expression， RE）， 指的是符合某种模式的字串，常用于从文件中或者字符串中查找和替换某些符合某种规则的字串,VIM教程,linux下最常用的文本编辑器,VIM编辑器,三种模式：各种模式之间切换 从命令行模式到插入模式：按下i键 从命令行模式到附加模式：按下a键 返回命令行模式：按下ESC键 退出编辑 保存并退出：在命令行

2、模式按下:wq 不保存退出：在命令行模式按下:q! 保存：在命令行模式按下:w 另存为其他文件名：按下:w filename,VIM编辑功能,光标跳到文件头：命令行模式下按2下g 光标跳到文件尾：按下:$ 光标跳到行首：按下 光标跳到行末：按下$ 跳到100行：按下100g,VIM查找功能,底行模式下输入/pattern/回车，对应符合pattern的文本就会显示为高亮底行模式下输入:m,n/pattern/，就会在第m行到第n行查找pattern并高亮显示,grep教程,正则表达式的应用,grep简介,是Global search regular expression (RE) and Pr

3、int out the line的缩写强大的文本搜索工具，使用正则表达式搜索文本，并打印匹配的行在一个或者多个文件中搜索字符串模式，搜索的结果输出到屏幕，不影响文件内容,grep用法,grep option pattern input_files,常用grep命令选项,grep正则表达式元字符,练习题：这些命令都能干啥？,ls l | grep a grep test d* grep test aa bb cc grep a-z5 aa grep w(es)t.*1 aa grep n datafile grep 4$ datafile grep 5 datafile grep .5 data

4、file grep wesn datafile grep A-ZA-Z A-Z datafile grep ss* datafile grep a-z9 datafile grep datafile,sed教程,非交互性文本编辑,sed简介,首先用which sed查看一下sed的位置 一个非交互性文本编辑器，编辑文件或标准输入导出的文件拷贝 sed可以随意编辑小文件或者大文件 一次性处理所有改变，高效率 通过行号和正则表达式指定需要编辑的行,sed用法,从文件的一个文本行或标准输入中读取数据，并将其拷贝到一个编辑缓冲区 读取命令行或者脚本的第一条命令，并用该命令查找模式或定位行号并编辑，重复

5、过程直到命令结束 sed option sed_command input_file sed option f sed_script_file input_file sed_script_file option input_file,sed命令的选项,sed定位行号的方法,基本sed编辑命令,练习题：这些命令能干什么？,AWK教程,文件模式提取教程,AWK简介,Linux下的awk有三个版本：awk、nawk、gawk，一般所说的awk是指/bin/awk，也就是gawk (GNU awk) awk的功能： 基于指定规则从文件或者字符串中分解抽提信息 基于指定的规则输出数据,awk的三种执行方

6、式,awk option awk_script input_file1 input_file2 将awk_script放入脚本文件并以#!/bin/awk f 作为首行，并赋予该脚本可执行权限，然后在shell下调用该脚本名称执行awk_script的内容：awk_file input_file将所有awk_script放入一个单独的脚本文件，然后用awk f awk_file input_file(s)执行脚本,awk脚本的组成,可由一条或多条awk_cmd组成，两条awk_cmd之间一般以NEWLINE分割 awk_cmd由两部分组成：awk_pattern actions awk命令的一

7、般形式 awk BEGIN actions awk_pattern1 actions awk_patternN actions END actions input_file 其中BEGIN 和END模块是可选的,awk脚本的运行机制,如果存在BEGIN区块，执行其中的actions 从输入文件中读取一行，称为读入一条记录 将读入的记录按照分隔符（FS/IFS）分割为多个字段，依次为$1，$2，.， 而$0表示整条记录。 将当前输入记录与awk_pattern相比较，如果匹配则执行actions，如果不匹配则跳过读入下一条记录，重复执行3，4，直到文件尾 awk把输入文件的数据读入内存，然后操作

8、内存中的输入数据副本，不会修改输入文件的内容 awk总是输出到标准输出，如果需要输出到文件，可采用重定向,awk_pattern的格式,正则表达式 /regexp/ 通用的正则元字符: $ . | () * +是awk特有的元字符，匹配其前的单个字符一次以上 ?也是awk特有的元字符，匹配其前的单字符0/1次 举例：awk /*$0.0-90-9.*/ input_file 布尔表达式 “=”，“”, “/regexp/”，“&”， “|” 举例 awk $3 /d/ input_file awk ($1 10) print “ok“ input_file,actions的格式,actions

9、是对awk读取记录进行的操作 actions由一条或多条语句或命令组成，语句之间用分号分隔,awk命令,print “$1= ”, $1 printf：与c语言的printf类似 next：读取下一条记录并处理 nextfile：读取文件列表的下一个文件 exit：awk停止执行并跳出。如果有END存在，awk会执行END的actions,awk语句,赋值语句 awk BEGIN x=1 ; y=3 ; x=y ; print “x=“ x “ ; y=“ y awk BEGIN x=3 ; x+=2 ; y=x+2 ; print “x=“ x “ ; y=“ y 流程控制结构 if (co

10、ndition) then-body else else-body while (condition) body do body while (condition) for (initialization; condition; increment) body 与C语言的for结构的语法相同 break : 跳出包含它的for、while、do-while 循环 continue : 跳过for、while、do-while循环的body的剩余部分，而立刻进行下一次循环的执行,awk内部变量,自动内部变量 NF：当前输入字段的字段数 NR：当前输入文件已经被读过的行数 FNR：所有输入文件中已

11、经被读过的行数 FILENAME：当前输入文件的文件名 ARGC：命令行参数个数，输入文件数目+1 ARGIND：当前处理文件在ARGV内的索引 字段变量：$1, $2, , $NF, $0 其他内部变量 FS : 输入记录的字段分隔符(默认是空格和制表符) OFS : 输出记录的字段分隔符(默认是空格) OFMT : 数字的输出格式(默认是 %.6g) RS : 输入记录间的分隔符(默认是NEWLINE) ORS : 输出记录间的分隔符(默认是NEWLINE) ARGV : 命令行参数数组 ENVIRON : 存储系统当前环境变量值的数组，它的每个成员的索引就是一个环境变量名 举例：cat

12、/etc/passwd | awk BEGIN FS=“:“ print “User name: “$1,“UID: “$4,awk自定义变量,定义变量：varname=value 表达式中不带引号的字符串即被视为变量，如果之前未被赋值，默认值为0或“” 用法：awk awk_script awkvar1=value1 awkvar2=value2 input_file 优先级：awk_script中的变量定义优先于命令行中的变量定义 如果需要调用shell变量，可以采用awk awk_script awkvar1=shellvar1 awkvar2=shellvar2 input_file,

13、awk内置函数,数值函数： int(x), sqrt(x), exp(x), log(x), sin(x), cos(x), atan2(y,x), rand(), srand(x), srand() 字符串函数： index(in, find), length(s), match(s, r), sprintf(), sub(p,r,t), gsub(p,r,t), substr(str, st, len), split(s,a,fs), tolower(str), toupper(str) 系统函数： close(filename), system(command),awk自定义函数,自定义

14、函数格式： function fun_name(param_list) function_body 举例： awk print “sum=”, SquareSum($1, $2) function SquareSum(x,y) sum=x*x+y*y; return sum grade.txt,awk数组,访问数组元素 for ( element in array_name ) print array_nameelement 举例： awk BEGINprint split(“123#456#789”, mya, “#”); for ( i in mya ) print myai ,避免awk

15、错误的方法, 确保整个awk_script用单引号括起来 确保awk_script内所有引号成对出现 确保用花括号括起动作语句，用圆括号括起条件语句 可能忘记使用花括号，也许你认为没有必要，但awk不这样认为，将按之解释语法 如果使用字符串，一定要保证字符串被双引号括起来(在模式中除外),2) 在awk中，设置有意义的变量名是一种好习惯，在进行模式匹配或关系操作时更容易理解。一般的变量名设置方式为name=$n3) 通常在BEGIN部分给一些变量赋值是很有益的，这样可以在awk表达式进行改动时减少很多麻烦4) awk的基本功能是根据指定规则抽取输入数据的部分内容并输出，另一个重要的功能是对输入

16、数据进行分析运算得到新的数据并输出，这是通过在 awk_script中对字段变量($1、$2、$3.)重新赋值或使用更大的字段变量$n(n大于当前记录的NF)而实现的5) 使用字符串或正则表达式时，有时需要在输出中加入一新行或查询一元字符。这时就需要字符串屏蔽序列。awk中经常使用的屏蔽序列有: b 退格键 t tab键 f 走纸换页 ddd 八进制值 n 新行 r 回车键 c 任意其他特殊字符。eg: 为反斜线符号,awk的输出函数printf, 格式: printf (“输出模板字符串“, 参数列表) 参数列表是以逗号分隔的列表，参数可以是变量、数值或字符串。 输出模板字符串的字符串中必须

17、包含格式控制符，有几个参数就要求有几个格式控制符。模板字符串中可以只有格式控制符而没有其它字符。 格式控制符: %-width.precfmt % : 标识一个格式控制符的开始，不可省略。 - : 表示参数输出时左对齐，可省略。 width : 一个数字，表示参数输出时占用域的宽度，可省略。 .prec : prec是一个数值，表示最大字符串长度或小数点右边的位数，可省略。 fmt : 一个小写字母，表示输出参数的数据类型，不可省略。 常见的fmt : c ASCII字符， d 整数 ，e 科学记数法浮点数， f 浮点数，如 123.44 g 由awk决定使用哪种浮点数转换e或f ，o 八进制

18、数， s 字符串， x 十六进制数 举例: echo “65“ | awk printf (“%cn“,$0) / 将打印 A awk BEGINprintf “%.4fn“,999 /将打印 999.0000 awk BEGINprintf “2 number:%8.4f%8.2f“,999,888 / 将打印 2 / number:999.0000 888.000,总结,sed适合处理整行的文本 awk适合处理下面格式的文件 col1 col2 col3 col4 更复杂的文本可通过结合sed和awk进行处理，或者通过其他更高级的脚本语言如perl/python进行处理 记住：C/C+不适合用来处理文本或字符串，所以，掌握1-2种脚本语言对于生物信息学来说，是非常有必要的,