unix:获取文件中的字符10至80

Question

我有一个包含行分隔文本的文件：

GCAACACGGTGGGAGCACGTCAACAAGGAGTAATTCTTCAAGACCGTTCCAAAAACAGCATGCAAGAGCG
GTCGAGCCTAGTCCATCAGCAAATGCCGTTTCCAGCAATGCAAAGAGAACGGGAAGGTATCAGTTCACCG
GTGACTGCCATTACTGTGGACAAAAAGGGCACATGAAGAGAGACTGTGACAAGCTAAAGGCAGATGTAGC

从这里，我想提取字符10到80，所以：

TGGGAGCACGTCAACAAGGAGTAATTCTTCAAGACCGTTCCAAAAACAGCATGCAAGAGCG
GTCGAGCCT

我发现了如何计算文件中的字符：

  wc -m file

以及如何获取每行字符数：

 awk '{print substr($0,2,6)}' file

但是我想不出一种方法来获得10到80的角色。

新行不算作字符。

有什么想法吗？

是的，这是DNA，来自全基因组。我从包含不同脚手架的fasta文件中提取了这段DNA (在本例中是10和11 )。

 awk '/scaffold_10\>/{p=1;next} /scaffold_11/{p=0;exit} p'

最后，我希望有一个简单的命令从指定的支架中获取字符100到800 (或类似的字符)。

编辑:问题继续在这里：使用gff2而不是bash脚本从全基因组中提取部分DNA序列.

Answer 1

对于字节(也适用于示例中的单字节字符)：

dd bs=1 skip=9 count=71 < file 2> /dev/null

或者更有效地使用GNU dd：

dd iflag=fullblock,skip_bytes,count_bytes skip=9 count=71 status=none < file

对于字符，使用zsh：

{
  IFS= read -ru0 -k9 discard &&
    IFS= read -ru0 -k71 text &&
    printf %s $text
} < file

(如果文件中少于80个字符，则不会打印任何内容)。

ksh93和bash有一个-N选项，类似于zsh的S -k，但他们不支持NUL字符和这个bash一个是婴儿车。

使用GNU awk：

awk -v RS='.{1}' -v ORS= 'NR>=10 {print RT}; NR == 80 {exit}'

我们使用.{1}作为.，它是一个单独的字符，不会被视为regexp。

另一种选择是将字符编码转换为每个字符具有固定字节数(并具有所有可能的字符)的字符编码，如UTF-32LE，该字符每个字符有4个字节：

< file iconv -t UTF-32LE |
   dd bs=4 skip=9 count=71 2> /dev/null |
   iconv -f UTF-32LE

Answer 2

假设换行符对数据没有意义，而只是在文件中格式化(未经测试的代码)：

BEGIN {
  linesize=70;
  start=10;
  end=80;
}
// {
  if ((NR>=int(start/linesize) && (NR<=int(end/linesize)) {
     from = NR==int(start/linesize) ? start % linesize : 0;
     to   = NR==int(end/linesize) ? (end % linesize)-from : linesize+1;
     print substr($0, from, to);
  }
  if (NR==int(end/linesize)) exit;
}