时间戳

首页 > 解决方案 > 使用正则表达式维护列上的部分信息

regex - 使用正则表达式维护列上的部分信息

问题描述

早上好，我有一个看起来像这样的文件：

file.txt

G05829  H05037  A   A*02:01:01  A*11:01:01
G05829  H05037  DRA DRA*01:01:01    DRA*01:02:02
G05829  H05037  DPB1    DPB1*04:01:01   DPB1*04:02:01
G05829  H05037  DRB3    DRB3*01:01:02   DRB3*01:01:02
G05829  H05037  B   B*08:01 B*44:02
G05829  H05037  DRB1    DRB1*03:01:01   DRB1*04:01:01
G15526  H12517  B   B*07:02 B*35:01
G15526  H12517  DRB5    DRB5*01:01:01   DRB5*01:01:01
G15526  H12517  DRA DRA*01:02:03    DRA*01:02:03

我需要格式中的第 4 列和第 5 列

A*01:01  A*01:01
DRA*01:01 DRA*01:01
(...)

因此，标识轨迹的第一个字母、星号、2 个数字、列和 2 个两位数字。

我的问题是，并非怪异的列具有相同的长度。有些会更详细，会有 2 或 3 个冒号（例如 DPB1*01:02:02 或 DQB1*49:34:01:03），而其他只有一个冒号（预期的输出，例如 DPA*01:01 ）。

我尝试了一些不同的方法，但我只能从最后裁剪（什么不起作用，因为它们的长度不同），从头开始裁剪（也不起作用，因为第一个标识符可以是 1 个字母或 3 个字母和数字（例如，标识符可以是“A”或“DPB1”）。我尝试使用 sed，但最终替换了所有冒号。我的尝试：

sed 's/\:[0-9][0-9]//g' file.txt

这会裁剪所有冒号 + 数字错误

sed 's/\:[0-9][0-9]\:[0-9][0-9]\t/\t/g' file.txt

这仅裁剪第二列，并且不考虑每列的长度差异。

我需要一些东西：

识别标识符 (A,B,C,DPA1,DQB1)、星号 (*)、开始后的数字 (01,02,13 (..))、第一个冒号 (:) 以及下一列之前的数字 ( 01,02,03 ...)

所以，所需的输出是这样的：

niceoutput.txt

G05829  H05037  A   A*02:01 A*11:01
G05829  H05037  DRA DRA*01:01   DRA*01:02
G05829  H05037  DPB1    DPB1*04:01  DPB1*04:02
G05829  H05037  DRB3    DRB3*01:01  DRB3*01:01
G05829  H05037  DRB1    DRB1*03:01  DRB1*04:01
G05829  H05037  B   B*08:01 B*44:02
G15526  H12517  B   B*07:02 B*35:01
G15526  H12517  DRB5    DRB5*01:01  DRB5*01:01
G15526  H12517  DRA DRA*01:02   DRA*01:02

谢谢你！

标签： regexunixmultiple-columnstrimcut

解决方案

这个 sed 会给你你想要的输出：

sed 's/\([A-Z]\{1,\}[0-9]*\*[0-9][0-9]:[0-9][0-9]\):[0-9][0-9]/\1/g'

测试：

$ sed 's/\([A-Z]\{1,\}[0-9]*\*[0-9][0-9]:[0-9][0-9]\):[0-9][0-9]/\1/g' file.txt > niceoutput.txt
$ cat niceoutput.txt
    G05829  H05037  A   A*02:01  A*11:01
    G05829  H05037  DRA DRA*01:01    DRA*01:02
    G05829  H05037  DPB1    DPB1*04:01   DPB1*04:02
    G05829  H05037  DRB3    DRB3*01:01   DRB3*01:01
    G05829  H05037  B   B*08:01 B*44:02
    G05829  H05037  DRB1    DRB1*03:01   DRB1*04:01
    G15526  H12517  B   B*07:02 B*35:01
    G15526  H12517  DRB5    DRB5*01:01   DRB5*01:01
    G15526  H12517  DRA DRA*01:02    DRA*01:02

但是在您的问题中，您提到该部分:[0-9]可以是 n 次，但是您的示例中没有该测试用例，如果这是真的，您将需要将 sed 更改为：

sed 's/\([A-Z]\{1,\}[0-9]*\*[0-9][0-9]:[0-9][0-9]\)\(:[0-9][0-9]\)*/\1/g'

测试2：

$ cat jose_testcase2.txt
DPB1*01:02:02 or DQB1*49:34:01:03
DXX*05:05

$ sed 's/\([A-Z]\{1,\}[0-9]*\*[0-9][0-9]:[0-9][0-9]\)\(:[0-9][0-9]\)*/\1/g' jose_testcase2.txt
DPB1*01:02 or DQB1*49:34
DXX*05:05

推荐阅读