linux - 使用 awk 查找可变长度的正则表达式并根据找到的长度编辑以下行

Question

我正在尝试用 awk 编辑一个 fastq 文件。

@someheader example fastq file
TGTACTTAGAGAAGCGC
+
BDDADHHIHHHIICHIG
@nextheader
CCGTAACCTGGGCAGTG
+
DDDDDHIIIIIIIIIII

我想实现的是:

• 查找以下正则表达式:/AGATCGGAAG[ATGC]{0,24}$/- 如果可能，仅在实际可能找到的行中查找(例如第 2、6、10 行，x+2%4=0 基本上)
• 如果找到，删除匹配项
• 然后删除当前行后2行末尾相同数量的字符

到目前为止，基于正则表达式编辑一行对我来说没有问题，我使用了:

awk '{ gsub(/AGATCGGAAG[ATGC]{0,24}$/, ""); print RLENGTH }'

但我不知道如何在两行后删除相同数量的字符。我非常没有经验，才开始学习 awk，所以欢迎任何帮助。

问候

编辑:这是一个包含上述模式的示例

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCGAGATCGGAAGAG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHCHDHHHFEEHHHH

这应该是输出:

@HWI-ST558:329:H3K2GBCXX:1:1101:5408:2985 1:N:0:ATCACG
CCTCCCGGTCGGTGCTGAGAGAGACTGGGCTCTCTGGAACTCCACCACCG
+
HHHIIIIHDHIIIHIIGHHHIHFHHCHHIE?GHHGHF?GECFEEHFHHHC

文件包含 4000 万个这样的条目，其中约 250k 包含模式

Answer 1

这可能有效，但由于您的示例输入不包含任何与正则表达式匹配的行，并且您没有提供任何预期的输出，当然它未经测试:

NR%4 == 2 { match($0,/AGATCGGAAG[ATGC]{0,24}$/) }
RSTART && (NR%4 ~ /^[02]$/) { $0 = substr($0,1,RSTART-1) }
{ print }