linux - 如何从 gz 文件中提取特定文本？

Question

我需要从我的 fastq.gz 数据中提取 5 到 11 个字符，这个数据对于在 R 中运行来说太大了。所以我想知道我是否可以直接在 Linux 命令行中执行此操作？fastq 文件如下所示:

@NB501399:67:HFKTCBGX5:1:11101:13202:1044 1:N:0:CTTGTA
GAGGTNACGGAGTGGGTGTGTGCAGGGCCTGGTGGGAATGGGGAGACCCGTGGACAGAGCTTGTTAGAGTGTCCTAGAGCCAGGGGGAACTCCAGGCAGGGCAAATTGGGCCCTGGATGTTGAGAAGCTGGGTAACAAGTACTGAGAGAAC
+
    AAAAA#EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAAAEEEEEEEEEEEEEEEEAEEEEEEEEEEEEEEAEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEEAE6

@NB501399:67:HFKTCBGX5:1:11101:1109:1044 1:N:0:CTTGTA
TAGGCNACCTGGTGGTCCCCCGCTCCCGGGAGGTCACCATATTGATGCCGAACTTAGTGCGGACACCCGATCGGCATAGCGCACTACAGCCCAGAACTCCTGGACTCAAGCGATCCTCCAGCCTCAGCCTCCCGAGTAGCTGGGACTACAG
+

而我只想提取位于序列部分的第5到11个字符(第一个是TNACGG，第二个是CNACCT)并将其制成一个新的txt文件。我可以这样做吗？

Answer 1

您可以将 GNU sed 与 zcat 一起使用:

zcat fastq.gz | sed -n '2~5{s/.\{4\}\(.\{6\}\).*/\1/;p}'

• -n 表示默认不打印行
• 2~5 表示从第 2 行开始，每五行匹配一次
• 当“地址”匹配时，替换记住\1中的第五到第十个字符并用它替换整行，p打印结果