regex - 每行提取多个独立的正则表达式匹配

Question

对于下面的文件，我想提取“XC:Z:”和“XM:Z:”之后的两个字符串。例如:

• 第一行输出应该是这样的:“TGGTCGGCGCGT, GAGTCCGT”
• 第二行输出应该是这样的:“GAAGCCGCTTCC, ACCGACGG”

该文件的原始版本比以下示例多了几列和几百万行，但它应该让您明白:

    MOUSE_10        XC:Z:TGGTCGGCGCGT       RG:Z:A  XM:Z:GAGTCCGT   ZP:i:33
    MOUSE_10        XC:Z:GAAGCCGCTTCC       NM:i:0  XM:Z:ACCGACGG   AS:i:16
    MOUSE_10        ZP:i:36 XC:Z:TCCCCGGGTACA       NM:i:0  XM:Z:GGGACGGG   ZP:i:28
    MOUSE_10        XC:Z:CAAATTTGGAAA       RG:Z:A  NM:i:1  XM:Z:GCAGATAG

此外，以下每个条件都将是一个奖励，但如果您可以让它发挥作用，则不是强制性的:

• 使用标准的 bash 工具:awk、sed、grep 等(没有 GAWK、csvtools...)
• 假设我们不知道 XC 和 XM 出现的顺序(虽然我相当确定 XC 几乎在第一位，但我不确定如何检查)。但是，在输出中，如果可能的话，XC 字符串应始终位于 XM 字符串之前。

这里的答案awk extract multiple groups from each line非常接近它，但每当我尝试使用 match(...) 时，我都会收到“意外标记附近的语法错误”消息。

期待您的解决方案!

谢谢，

菲利克斯

Answer 1

使用 sed，您可以在 XC:Z: 和 XM:Z 之后捕获非空格字符:

sed -n 's/.*XC:Z:\([^[:blank:]]*\).*XM:Z:\([^[:blank:]]*\).*/\1, \2/p;' file

您可以为反转值添加第二个 s 命令:

sed -n 's/.*XC:Z:\([^[:blank:]]*\).*XM:Z:\([^[:blank:]]*\).*/\1, \2/;s/.*XM:Z:\([^[:blank:]]*\).*XC:Z:\([^[:blank:]]*\).*/\1, \2/;p;' file