将文件中的选定行输出为第一列，并将文件名输出为第二列

Question

我最近刚刚开始在win7中使用powershell，以便为程序mothur生成类似于管道的脚本。在我使用ubuntu中的bash脚本来做这件事之前。我很高兴现在一切都很好，除了一项任务：

我想格式化一个fasta文件，格式如下：

filename.fasta:

>HXXC990
AGTTCAAGGTCTCT
>HXXC991
GGGTTTCAAATCTC
>HXXC992
GGGTCTCTCCTATA

添加到以制表符分隔的文件，如下所示

output.file:

HXXC990    filename
HXXC991    filename
HXXC992    filename

输出文件的第一列必须包含不带">"-signs的名称，这一点很重要。第二个按制表符分隔的列是不带后缀的原始文件名(“filename.fasta”)。我让解决方案gci读出文件的基本名称，并使用Select-String输出所有以">“开头的行。唯一的问题仍然是两列中的格式和第二列中不断重复的文件名。

到目前为止我已经尝试过了：

Select-String '>' .\filename.fasta | % {$_.Line} | set-content output.txt

生成一个只包含包含">“符号的行的文件。之后我就把它们换掉了。我得到的文件名是

$base1 = gci filename.fasta | % {$_.BaseName}

Answer 1

试试这个：

select-string '^>' filename.fasta | % {
  $_ -replace '^.*\\(.*?)\.fasta:\d+:>(.*)$', "`$2`t`$1"
} > output.file

请注意，您的正则表达式应该是^>，而不仅仅是>。后者可以在一行中的任何位置匹配>。

这可以应用于多个文件，如下所示：

$recurse = $false

Get-ChildItem "C:\base\folder" -Filter *.fasta -Recurse:$recurse `
  | select-string '^>' `
  | % { $_ -replace '^.*\\(.*?)\.fasta:\d+:>(.*)$', "`$2`t`$1" } > output.file

Answer 2

这里是另一个解决方案，显示了涉及到的操作的一些不同选项：

gci *.fasta | select-string '^>(.+)' |
 % {"{0}`t{1}" -f $_.matches.groups[1],$_.filename.split('.')[0]} |
 Set-Content output.file