生物信息学基础教程4讲正则表达式教程市公开课一等奖百校联赛优质课金奖名师赛课获奖课件.ppt

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,本资料仅供参考，不能作为科学依据。谢谢。本资料仅供参考，不能作为科学依据。本资料仅供参考，不能作为科学依据。谢谢。本资料仅供参考，不能作为科学依据。,生物信息学基础教程,第4讲：正则表示式教程,正则表示式与模式匹配,1/38,本节内容,正则表示式,正则表示式定义与表示方法,正则表示式中元字符（metacharacter）,VIM编辑器,grep命令,sed编辑器,awk工具,2/38,正则表示式,所谓正则表示式（regular expression，RE），指是符合某种模式字串，惯用于从文件中或者字符串中查找和替换一些符合某种规则字串,3/38,VIM教程,linux下最惯用文本编辑器,4/38,VIM编辑器,三种模式：各种模式之间切换,从命令行模式到插入模式：按下i键,从命令行模式到附加模式：按下a键,返回命令行模式：按下ESC键,退出编辑,保留并退出：在命令行模式按下:wq,不保留退出：在命令行模式按下:q!,保留：在命令行模式按下:w,另存为其它文件名：按下:w filename,5/38,VIM编辑功效,光标跳到文件头：命令行模式下按2下g,光标跳到文件尾：按下:$,光标跳到行首：按下,光标跳到行末：按下$,跳到100行：按下100g,6/38,VIM查找功效,底行模式下输入/pattern/回车，对应符合pattern文本就会显示为高亮,底行模式下输入:m,n/pattern/，就会在第m行到第n行查找pattern并高亮显示,7/38,grep教程,正则表示式应用,8/38,grep介绍,是Global search regular expression(RE)and Print out the line缩写,强大文本搜索工具，使用正则表示式搜索文本，并打印匹配行,在一个或者多个文件中搜索字符串模式，搜索结果输出到屏幕，不影响文件内容,9/38,grep使用方法,grep option pattern input_files,10/38,惯用grep命令选项,-?,?为数值，同时显示匹配行前后？行,grep-2 grep test.txt同时显示匹配行前后2行,-c,-count，只打印匹配行行数，而不输出匹配行,-f file,从输入文件中提取模式,-i,-ignore-case，忽略大小写,-q,-quiet，取消显示,-l,仅打印匹配模式文件清单,-l,打印不匹配模式文件清单,-n,-line-number，在匹配行前打印行号,-s,-silent，不显示错误信息,-v,-revert-match，只显示不匹配行,-w,-word-regexp，假如被引用，就把表示式作为一个单词搜索,11/38,grep正则表示式元字符,锚定行开始,grep匹配全部以grep开始行,$,锚定行结束,grep$匹配全部以grep结束行,.,匹配一个非换行符任意字符,gr.p匹配gr后跟一个任意字符，后为p行,*,匹配0个或多个先前字符,*grep匹配全部0个或多个空格紧跟grep行,匹配一个指定范围字符,Ggrep匹配包含Grep或grep行,匹配不在指定范围内一个字符,A-FH-Zrep匹配全部不在A-F和H-Z范围内字符后跟rep行,(),标识匹配字符,(love)中能够匹配love，且love被标识为1,分别锚定一个单词起始和结束,匹配以grep结束单词,x5，x5,，x5,10,x恰好重复5次行、最少重复5次行、重复次数在5-10次之间行,w=A-Za-z0-9,W=A-Za-z0-9,匹配全部单个(非)字母和数字字符,bgrepb,只匹配单词grep，不匹配egrep等,12/38,练习题：这些命令都能干啥？,ls l|grep a,grep test d*,grep test aa bb cc,grep a-z5 aa,grep w(es)t.*1 aa,grep n datafile,grep 4$datafile,grep 5.datafile,grep.5 datafile,grep wesn datafile,grep A-ZA-Z A-Z datafile,grep ss*datafile,grep a-z9 datafile,grep datafile,13/38,sed教程,非交互性文本编辑,14/38,sed介绍,首先用which sed查看一下sed位置,一个非交互性文本编辑器，编辑文件或标准输入导出文件拷贝,sed能够随意编辑小文件或者大文件,一次性处理全部改变，高效率,经过行号和正则表示式指定需要编辑行,15/38,sed使用方法,从文件一个文本行或标准输入中读取数据，并将其拷贝到一个编辑缓冲区,读取命令行或者脚本第一条命令，并用该命令查找模式或定位行号并编辑，重复过程直到命令结束,sed option sed_command input_file,sed option f sed_script_file input_file,sed_script_file option input_file,16/38,sed命令选项,-n,Quiet,不自动打印编辑行，默认是打印,-e,下一命令是编辑命令，使用多项编辑时加入此选项,-f,其后加sed脚本文件,17/38,sed定位行号方法,x,行号，指定某一行,x,y,指定x-y范围行,xy,从第x行开始，每隔y行,/pattern/,查询包含该模式行,x,y!,查询不包含指定行号x和y行,18/38,基本sed编辑命令,p,打印匹配行,sed n 2,3p test.txt,sed n/movie/p temp.txt,=,显示文件行号,sed e/music/=temp.txt,a,在定位行号后附加新文本,sed/jack/a“here add new line”p temp.txt,i,在定位行号后插入新文本,sed 4 i“here add new line”p temp.txt,d,删除定位行,sed/music/d temp.txt,n,从另一个文本中读取下一行，并附加到下一行,sed/movie/n temp2.txt temp.txt,c,用新文本替换定位文本,sed 4 c“i like it”temp.txt,s,用替换模式替换对应模式,sed s/source/okstr/”add before”&/p temp.txt,r,从另一个文本中读取文本,sed/name/r temp2.txt temp.txt,w,写文本到另一个文件,sed s/name/”my”&/w temp2.txt temp.txt,19/38,练习题：这些命令能干什么？,sed s/.$/g temp.txt,sed e/abcd/d temp.txt,sed s/*/g temp.txt,sed s/*/g temp.txt,sed s/.*/g temp.txt,sed/$/d temp.txt,sed s/./g temp.txt,sed s/COL()/g temp.txt,sed s/g temp.txt,20/38,AWK教程,文件模式提取教程,21/38,AWK介绍,Linux下awk有三个版本：awk、nawk、gawk，普通所说awk是指,/bin/awk,，也就是,gawk(GNU awk),awk功效：,基于指定规则从文件或者字符串中分解抽提信息,基于指定规则输出数据,22/38,awk三种执行方式,awk option awk_script input_file1 input_file2,将awk_script放入脚本文件并以,#!/bin/awk f,作为首行，并赋予该脚本可执行权限，然后在shell下调用该脚本名称执行awk_script内容：,awk_file input_file,将全部awk_script放入一个单独脚本文件，然后用,awk f awk_file input_file(s),执行脚本,23/38,awk脚本组成,可由一条或多条,awk_cmd,组成，两条,awk_cmd,之间普通以,NEWLINE,分割,awk_cmd由两部分组成：,awk_pattern actions,awk命令普通形式,awk BEGIN actions awk_pattern1 actions awk_patternN actions END actions input_file,其中BEGIN 和END模块是可选,24/38,awk脚本运行机制,假如存在BEGIN区块，执行其中actions,从输入文件中读取一行，称为读入一条统计,将读入统计按照分隔符（,FS/IFS,）分割为多个字段，依次为,$1,，,$2,，.，而,$0,表示整条统计。,将当前输入统计与,awk_pattern,相比较，假如匹配则执行actions，假如不匹配则跳过读入下一条统计，重复执行3，4，直到文件尾,awk把输入文件数据读入内存，然后操作内存中输入数据副本，不会修改输入文件内容,awk总是输出到标准输出，假如需要输出到文件，可采取重定向,25/38,awk_pattern格式,正则表示式,/regexp/,通用正则元字符:$.|()*,+是awk特有元字符，匹配其前单个字符一次以上,?也是awk特有元字符，匹配其前单字符0/1次,举例：,awk/*$0.0-90-9.*/input_file,布尔表示式,“=”，“”,“/regexp/”，“&”，“|”,举例,awk$3 /d/input_file,awk($1 10)print ok input_file,26/38,actions格式,actions是对awk读取统计进行操作,actions由一条或多条语句或命令组成，语句之间用分号分隔,27/38,awk命令,print“$1=”,$1,printf：与c语言printf类似,next：读取下一条统计并处理,nextfile：读取文件列表下一个文件,exit：awk停顿执行并跳出。假如有END存在，awk会执行ENDactions,28/38,awk语句,赋值语句,awk BEGIN x=1;y=3;x=y;print x=x ;y=y,awk BEGIN x=3;x+=2;y=x+2;print x=x ;y=y,流程控制结构,if(condition)then-body else else-body,while(condition)body,do body while(condition),for(initialization;condition;increment)body 与C语言for结构语法相同,break:跳出包含它for、while、do-while 循环,continue:跳过for、while、do-while循环body剩下部分，而立刻进行下一次循环执行,29/38,awk内部变量,自动内部变量,NF,：当前输入字段字段数,NR,：当前输入文件已经被读过行数,FNR,：全部输入文件中已经被读过行数,FILENAME,：当前输入文件文件名,ARGC,：命令行参数个数，输入文件数目+1,ARGIND,：当前处理文件在ARGV内索引,字段变量：$1,$2,$NF,$0,其它内部变量,FS,:输入统计字段分隔符(默认是空格和制表符),OFS,:输出统计字段分隔符(默认是空格),OFMT,:数字输出格式(默认是%.6g),RS,:输入统计间分隔符(默认是NEWLINE)ORS:输出统计间分隔符(默认是NEWLINE),ARGV,:命令行参数数组 ENVIRON:存放系统当前环境变量值数组，它每个组员索引就是一个环境变量名,举例：,cat/etc/passwd|awk BEGIN FS=:print User name:$1,UID:$4,30/38,awk自定义变量,定义变量：,varname=value,表示式中不带引号字符串即被视为变量，假如之前未被赋值，默认值为0或“”,使用方法：,awk awk_script awkvar1=value1 awkvar2=value2.input_file,优先级：awk_script中变量定义优先于命令行中变量定义,假如需要调用shell变量，能够采取,awk awk_script awkvar1=shellvar1 awkvar2=shellvar2.input_file,31/38,awk内置函数,数值函数：,int(x),sqrt(x),exp(x),log(x),sin(x),cos(x),atan2(y,x),rand(),srand(x),srand(),字符串函数：,index(in,find),length(s),match(s,r),sprintf(),sub(p,r,t),gsub(p,r,t),substr(str,st,len),split(s,a,fs),tolower(str),toupper(str),系统函数：,close(filename),system(command),32/38,awk自定义函数,自定义函数格式：,function fun_name(param_list)function_body,举例：,awk print“sum=”,SquareSum($1,$2)function SquareSum(x,y)sum=x*x+y*y;return sum grade.txt,33/38,awk数组,访问数组元素,for(element in array_name)print array_nameelement,举例：,awk BEGINprint split(“123#456#789”,mya,“#”);for(i in mya)print myai,34/38,防止awk错误方法,确保整个awk_script用单引号括起来,确保awk_script内全部引号成对出现,确保用花括号括起动作语句，用圆括号括起条件语句,可能忘记使用花括号，可能你认为没有必要，但awk不这么认为，将按之解释语法,假如使用字符串，一定要确保字符串被双引号括起来(在模式中除外),35/38,2)在awk中，设置有意义变量名是一个好习惯，在进行模式匹配或关系操作时更轻易了解。普通变量名设置方式为name=$n,3)通常在BEGIN部分给一些变量赋值是很有益，这么能够在awk表示式进行改动时降低很多麻烦,4)awk基本功效是依据指定规则抽取输入数据部分内容并输出，另一个主要功效是对输入数据进行分析运算得到新数据并输出，这是经过在 awk_script中对字段变量($1、$2、$3.)重新赋值或使用更大字段变量$n(n大于当前统计NF)而实现,5)使用字符串或正则表示式时，有时需要在输出中加入一新行或查询一元字符。这时就需要字符串屏蔽序列。awk中经常使用屏蔽序列有:b 退格键 t tab键 f 走纸换页 ddd 八进制值 n 新行 r 回车键 c 任意其它特殊字符。eg:为反斜线符号,36/38,awk输出函数printf,格式:printf(输出模板字符串,参数列表),参数列表是以逗号分隔列表，参数能够是变量、数值或字符串。,输出模板字符串字符串中必须包含格式控制符，有几个参数就要求有几个格式控制符。模板字符串中能够只有格式控制符而没有其它字符。,格式控制符:%-width.precfmt%:标识一个格式控制符开始，不可省略。-:表示参数输出时左对齐，可省略。width:一个数字，表示参数输出时占用域宽度，可省略。.prec:prec是一个数值，表示最大字符串长度或小数点右边位数，可省略。fmt:一个小写字母，表示输出参数数据类型，不可省略。,常见fmt:c ASCII字符，d 整数，e 科学记数法浮点数，f 浮点数，如 123.44 g 由awk决定使用哪种浮点数转换e或f，o 八进制数，s 字符串，x 十六进制数,举例:,echo 65|awk printf(%cn,$0),/将打印 A,awk BEGINprintf%.4fn,999,/将打印 999.0000,awk BEGINprintf 2 number:%8.4f%8.2f,999,888,/将打印 2,/number:999.0000 888.000,37/38,总结,sed适合处理整行文本,awk适合处理下面格式文件,col1col2col3col4,更复杂文本可经过结合sed和awk进行处理，或者经过其它更高级脚本语言如perl/python进行处理,记住：C/C+不适适用来处理文本或字符串，所以，掌握1-2种脚本语言对于生物信息学来说，是非常有必要,38/38,