在文件名中找到一个具有常量和正则表达式的字符串，并替换它。

Question

我觉得这是个蹩脚的问题，但经过多次尝试，我被困住了。我有很多这样的文件：

S2EC1_DKDL220005480-2a-AK13554-7UDI265_HHJ2MCCX2_L8_1.fq.gz
S2EC1_DKDL220005480-2a-AK13554-7UDI265_HHJ2MCCX2_L8_2.fq.gz
S2EC2_DKDL220005480-2a-5UDI249-7UDI265_HHJ2MCCX2_L8_1.fq.gz
S2EC2_DKDL220005480-2a-5UDI249-7UDI265_HHJ2MCCX2_L8_2.fq.gz
S2EC11_DKDL220005480-2a-5UDI251-5UDI1063_HHJ2MCCX2_L8_1.fq.gz
S2EC11_DKDL220005480-2a-5UDI251-5UDI1063_HHJ2MCCX2_L8_2.fq.gz

我试着把它们重命名如下：

S2EC1_R1.fastq.gz
S2EC1_R2.fastq.gz
S2EC2_R1.fastq.gz
S2EC2_R2.fastq.gz
S2EC11_R1.fastq.gz
S2EC11_R2.fastq.gz

文件名是可变长度。在每个文件名、DKDL220005480-2a-和_HHJ2MCCX2_L8中都有相同的位，但中间的位是中间的一点，在组合和长度上是可变的。

从bash shell中，我可以以一种分步的方式取得一些进展，通过这样做可以消除常量文本：

for x in *; do mv $x ${x/DKDL220005480-2a-/}; done
for x in *; do mv $x ${x/_HHJ2MCCX2_L8_/_R}; done

它产生的文件名如下：

S2EC1_AK13554-7UDI265_R1.fq.gz
S2EC1_AK13554-7UDI265_R2.fq.gz
S2EC2_5UDI249-7UDI265_R1.fq.gz
S2EC2_5UDI249-7UDI265_R2.fq.gz
S2EC11_5UDI251-5UDI1063_R1.fq.gz
S2EC11_5UDI251-5UDI1063_R2.fq.gz

但现在我没能找到并替换中间的可变部分。当然，一蹴而就也要优雅得多。

下面是我认为最有希望匹配可变中间位的代码：

for x in *; do mv $x ${x/_(.+)_/}; done

但我知道这个错误：

mv: 'S2EC1_AK13554-7UDI265_R1.fq.gz' and 'S2EC1_AK13554-7UDI265_R1.fq.gz' are the same file
mv: 'S2EC1_AK13554-7UDI265_R2.fq.gz' and 'S2EC1_AK13554-7UDI265_R2.fq.gz' are the same file
mv: 'S2EC2_5UDI249-7UDI265_R1.fq.gz' and 'S2EC2_5UDI249-7UDI265_R1.fq.gz' are the same file
mv: 'S2EC2_5UDI249-7UDI265_R2.fq.gz' and 'S2EC2_5UDI249-7UDI265_R2.fq.gz' are the same file
mv: 'S2EC11_5UDI251-5UDI1063_R1.fq.gz' and 'S2EC11_5UDI251-5UDI1063_R1.fq.gz' are the same file
mv: 'S2EC11_5UDI251-5UDI1063_R2.fq.gz' and 'S2EC11_5UDI251-5UDI1063_R2.fq.gz' are the same file

不确定我的正则表达式或mv代码是否有问题(或者两者都有，甚至可能有其他问题，哈哈)。

谢谢

Answer 1

模式匹配和正则表达式是两件不同的事情。在模式匹配中，*表示任何字符串。在正则表达式中，它指的是前面的零或多个。在模式匹配中，(.+)意味着..。文字(.+)字符串。在正则表达式中，它表示至少一个字符的捕获组。

对于简单的重命名方案，您可以尝试：

for f in *.fq.gz; do
  g="${f/_DKDL220005480-2a-*_HHJ2MCCX2_L8_/_R}"
  printf 'mv "%s" "%s"\n' "$f" "${g%.fq.gz}.fastq.gz"
#  mv "$f" "${g%.fq.gz}.fastq.gz"
done

对输出满意后，取消对mv行的注释。

Answer 2

要在bash中使用正则表达式，需要使用[[ $x =~ regex ]]，可以在$BASH_REMATCH中使用组，因此：

for x in *; do
    [[ $x =~ ^(S2EC[0-9]+)_.*_([0-9]+).fq.gz$ ]] &&
        mv $x ${BASH_REMATCH[1]}_R${BASH_REMATCH[2]}.fastq.gz
done