1

Cita en bloque

Necesito extraer cada línea que empiece con '>' de un archivo y hacer uno nuevo con lo extraido.

Ejemplo:

>WP_013682727.1 hypothetical protein [Archaeoglobus veneficus]
    MLGGEKSEKTAKQSFLEDFVDEGGLFDEPADSDFSMLLNDTVEIGGLHYNDLARIQREWCKNRHWKLVEFTPASDGYHFI
    AVLKMTTRHPLKKLRVRLMRALREKSIAREQLIELLDEHAFVDEVLEIKGVVQ

>WP_013682728.1 hypothetical protein [Archaeoglobus veneficus]
MKCERCSIENTLRKALGEFRGSKIAIYDIDYLVEIEKRIVNMTEEKKLRKNGRRLLPAFEAVPALRIARVFGSDYTVLFS
DAKNDYYELYKLERTPLYVKYIDLQIYGELIVAGDLGDLRKAYFDLYFKDYYKKHRDDLMKLDTDLVLSVI

Estoy en terminal de Linux y lo he intentado con cut y awk, corto lo que necesito pero no puedo guardarlo en otro archivo.

con cut:

cut -d ">" -f14 GCF_000194625.1_ASM19462v1_protein.faa

con awk:

awk -F ">" '{print $1}' GCF_000194625.1_ASM19462v1_protein.faa > id.t
3
  • es decir, ¿el fichero tiene muchas líneas y quieres copiar a otro archivo todas aquellas que empiezan por ">"? El código cut -d ">" -f14 hace otra cosa, por lo que iría bien que mostraras cómo debe ser la salida
    – fedorqui
    Commented el 3 mar. 2020 a las 9:38
  • ¿Por qué no usas grep?. grep "^>" archivo Commented el 19 mar. 2020 a las 13:28
  • Podrías poner un ejemplo con el primer párrafo? Cómo se llamaría exactamente el fichero resultante? Y cuál es el contenido exacto que tendría ese fichero resultante?
    – Julio
    Commented el 19 ago. 2020 a las 14:54

1 respuesta 1

0

Con awk es muy sencillo:

Primeramente, en awk puedes utilizar patrones // con expresiones regulares ^> para ejecutar la órden de imprimir la linea siempre que sea Inicio de línea (en el patrón es el ^) y luego el >

awk '/^>/' file.dat 
>WP_013682727.1 hypothetical protein [Archaeoglobus veneficus]
>WP_013682728.1 hypothetical protein [Archaeoglobus veneficus]

Así, ya conseguimos imprimir las líneas.

Si ahora necesitas imprimir cada una de esas lineas en un fichero diferente, lo único que necesitamos es redirigir la salida con un >

awk '/^>/ {print $0 > "ficheroSalida.dat"}' file.dat
$ cat ficheroSalida.dat
>WP_013682727.1 hypothetical protein [Archaeoglobus veneficus]
>WP_013682728.1 hypothetical protein [Archaeoglobus veneficus]

Ahora, ya que quieres crear un fichero para cada una de las lineas, al mirar la línea que propones, veo que podemos considerar la primera parte como válida para generar el nombre del fichero (WP_013682727 por ejemplo). Eso significa, que si dividimos por el punto, podremos obtener de ahí el nombre del fichero. Añadiremos entonces el -F"." para decirle a awk que divida por el punto, y llamaremos al fichero como el campo $1 que será siempre el primero de la linea, es decir, WP_013682727

Observa que en este caso utilzo gsub para poder eliminar el > al principio del nombre del fichero que creo, y poder imprimir un nombre más correcto;

awk -F"." '/^>/ {gsub(/>/, "", $1); file=$1".dat";  print $0 > file }' file.dat
$ ls
$ cat WP_013682727.dat
>WP_013682727.1 hypothetical protein [Archaeoglobus veneficus]

Por tanto, ya tenemos al menos las líneas que empiezan por > en cada fichero con su nombre referente a la linea.

Ahora sólo nos quedaría imprimir las lineas que no contienen el > al principio en el fichero que hemos ido creando. Para eso utilizamos la negación ! en el patrón de antes: !/^>/. En este caso, debemos concatenar al fichero en vez de crearlo, por lo que utilizamos la doble redirección >>

awk -F"." '/^>/ {file=$1".dat";gsub(/>/, "", file);  print $0 > file } !/^>/ { print $0 >> file } ' file.dat

Así, todas las lineas que vengan después de una cabecera de tipo >..... se imprimirán en el fichero perteneciente a esa cabecera. En cuanto el script encuentre otra cabecera nueva, cambiará el nombre de fichero y seguirá igual imprimiendo.

El resultado final, es este:

$ cat WP_013682727.dat
>WP_013682727.1 hypothetical protein [Archaeoglobus veneficus]
    MLGGEKSEKTAKQSFLEDFVDEGGLFDEPADSDFSMLLNDTVEIGGLHYNDLARIQREWCKNRHWKLVEFTPASDGYHFI
    AVLKMTTRHPLKKLRVRLMRALREKSIAREQLIELLDEHAFVDEVLEIKGVVQ

$ cat WP_013682728.dat
>WP_013682728.1 hypothetical protein [Archaeoglobus veneficus]
MKCERCSIENTLRKALGEFRGSKIAIYDIDYLVEIEKRIVNMTEEKKLRKNGRRLLPAFEAVPALRIARVFGSDYTVLFS
DAKNDYYELYKLERTPLYVKYIDLQIYGELIVAGDLGDLRKAYFDLYFKDYYKKHRDDLMKLDTDLVLSVI

Espero que te ayude.

EDIT:

Viendo que parece que puede importarte el número que hay detrás del punto, únicamente con eliminar el -F"." , el mismo awk separará por el espacio por defecto, así que básicamente tendrás el nombre completo.

$ awk '/^>/ {file=$1".dat";gsub(/>/, "", file);  print $0 > file } !/^>/ { print $0 >> file } ' file.dat
$ ls
WP_013682727.1.dat  WP_013682728.1.dat  ficheroSalida.dat  file.dat

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.