perl - 从 awk 中的文件中提取前后字符到匹配的字符串

Question

我有一个很大的字符串文件 seq.txt 的字母，展开后，超过 200,000 个字符。没有空格、数字等，只有 a-z。

我有第二个文件 search.txt，其中包含每行 50 个唯一字母，这些字母将在 seq.txt 中匹配一次。有 4000 种模式可以匹配。

我希望能够找到每个模式(文件 search.txt 中的行)，然后获取模式匹配之前的 100 个字符和模式匹配之后的 100 个字符。

我有一个脚本，它使用 grep 并有效，但它运行得非常慢，只执行前 100 个字符，并用回声写出。我对 awk 或 perl 的了解不够，无法在线解释可能适用的脚本，所以我希望这里有人!

cat search.txt | while read p; do echo "grep -zoP '.{0,100}$p' seq.txt | sed G"; done > do.grep

具有所需输出的更简单示例:

>head seq.txt    
abcdefghijklmnopqrstuvwxyz

>head search.txt
fgh
pqr
uvw

>head desiredoutput.txt
cdefghijk
mnopqrstu
rstuvwxyz

最好的结果是 100 个字符之前\t 匹配模式\t 100 个字符之后 的制表符分隔文件。提前致谢!

Answer 1

单向

use warnings;
use strict;
use feature 'say';

my $string;

# Read submitted files line by line (or STDIN if @ARGV is empty)
while (<>) {
    chomp;
    $string = $_;    
    last;          # just in case, as we need ONE line
}
# $string = q(abcdefghijklmnopqrstuvwxyz);   # test

my $padding = 3;  # for the given test sample

my @patterns = do { 
    my $search_file = 'search.txt';
    open my $fh, '<', $search_file or die "Can't open $search_file: $!";
    <$fh>;
};
chomp @patterns;
# my @patterns = qw(bcd fgh pqr uvw);  # test

foreach my $patt (@patterns) {
    if ( $string =~ m/(.{0,$padding}) ($patt) (.{0,$padding})/x ) {
        say "$1\t$2\t$3";
        # or
        # printf "%-3s\t%3s%3s\n", $1, $2, $3;
    }
}

运行为 program.pl seq.txt , 或管道 seq.txt 的内容^†

图案 .{0,$padding}匹配任何字符 ( . )，最多 $padding次(3 以上)，我在模式 $patt 的情况下使用了什么在比 $padding 更靠近字符串开头的位置找到(就像第一个 bcd 一样，我添加到问题中提供的示例中)。 $patt 之后的填充也是如此.

然后在您的问题中替换 $padding至 100 .随着100每个模式前后的宽“填充”，当在比 100 更接近开始的位置找到模式时，然后是所需的 \t如果位置小于 100 且大于制表符值(通常为 8)，对齐可能会中断。

这就是带有格式化打印 (printf) 的行的用途，以确保每个字段的宽度，而不管要打印的字符串的长度如何。 (它被注释掉了，因为我们被告知没有模式会进入前 100 个字符或最后 100 个字符。)

如果匹配的模式确实不可能突破前 100 个位置或后 100 个位置，那么正则表达式可以简化为

/(.{$padding}) ($patt) (.{$padding})/x

请注意，如果 $patt 是第一个/最后一个$padding chars 那么这将不匹配。

程序为每个 @patterns 启动正则表达式引擎，原则上可能会引发性能问题(不是针对 4000 个模式的少量运行，但此类要求往往会发生变化并且通常会增长)。但这是迄今为止最简单的方法，因为

• 我们不知道模式在字符串中的分布情况，并且

• 一个匹配项可能在另一个匹配项的 100 字符缓冲区内(我们没有被告知)

如果此方法存在性能问题，请更新。

---

^† 通过 Getopt::Long 使用命名命令行参数可以更好地组织程序的输入(和输出) , 对于这样的调用

program.pl --sequence seq.txt --search search.txt --padding 100

这里每个参数都可以是可选的，在文件中设置了默认值，参数名称可以缩短和/或给出额外的名称等。如果您对此感兴趣，请告诉我