不用Linux也可以的强大文本处理方法

标题党了，其实是论VIM的使用。

做生物信息分析最合适的还是Linux操作系统，所以生信宝典在最开始就推出了Linux学习系列，由浅入深的讲述了Linux学习中的关键点。

主要文章列举如下：

• Linux学习-文件和目录
• Linux学习-文件操作
• Linux文件内容操作
• Linux学习-环境变量和可执行属性
• Linux学习 - 管道、标准输入输出
• Linux学习 - 命令运行监测和软件安装
• Linux学习-常见错误和快捷操作
• Linux学习-文件列太多，很难识别想要的信息在哪列；别焦急，看这里。
• Linux学习-文件排序和FASTA文件操作
• 用了Docker，妈妈再也不担心我的软件安装了 - 基础篇
• Linux服务器数据定期同步和备份方式

但有时也需要在Windows下做一些操作，可能是Linux当前不可用，也可能不值得折腾。

实现Linux下复杂而又简便的操作，VIM配合正则表达式是一个合适的选择。

VIM是一款功能强大的文本编辑工具，也是我在Linux，Windows下编辑程序和文本最常用的工具。

初识VIM

VIM分多种状态模式，写入模式，正常模式，可视化模式。

• 正常模式：打开或新建文件默认在正常模式，可以浏览，但不可以写入内容。这个模式也可以称作命令行模式，这个模式下可以使用VIM强大的命令行和快捷键功能。其它模式下按ESC就可以到正常模式。
• 写入模式：在正常模式下按字母i (光标前插入), o (当前光标的下一行操作), O (当前光标的上一行操作)，a (光标后插入)都可以进入写入模式，就可以输入内容了。
• 可视化模式：通常用于选择特定的内容。

进入写入模式后，VIM使用起来可以跟记事本一样了。在写入文字时，可以利用组合键CTRL+n和CTRL+p完成写作单词的自动匹配补全，从而加快输入速度，保证输入的前后一致。

正常模式有更强大的快捷键编辑功能，把手从鼠标上解放出来。

• dd: 删除一行
• 3dd: 删除一行
• dw: 删除一个单词
• d3w: 删除3个单词
• yy: 复制一行
• 3yy: 复制三行
• yw: 复制一个单词
• p: (小写p)粘贴到下一行
• P: (大写P)粘贴到上一行
• >>: 当前行右缩进一个TAB
• 3>>: 当前行及后2行都向右缩进一个TAB
• <<: 当前行左缩进一个TAB
• 3<<: 当前行及后2行都向左缩进一个TAB
• /word: 查找特定单词
• u: 撤销上一次操作
• .: 重复上一次操作
• CTRL+r: 重做撤销的操作
• y$: 从当前复制到行尾
• d$: 从当前删除到行尾

跳转操作

• gg: 跳到文件开头
• G: 跳到文件结尾
• zt: 当前行作为可视屏幕的第一行
• 5G: 跳到第5行

正常模式下输入冒号进入更强大的命令行定制功能。

• :5d: 删除第5行
• :20,24y：复制20到24行
• :.,+3y：复制当前行和下面3行
• :2,11>: 右缩进
• :w: 保存文件
• :q: 退出编辑器
• :vsplit: 分屏

键盘操作不容易被捕获，看右下角可以得到一点信息。

ttp://blog.genesino.com/images/vim/vim_basic_operation.gif （公众号传个GIF总失败，也不提示失败原因，请大家移步原文或自己点击查看gif了）

VIM还有不少魔性操作，具体可以看这两个帖子：

• http://coolshell.cn/articles/5426.html
• http://coolshell.cn/articles/11312.html

VIM中使用正则表达式

这儿以提取生信宝典公众号中发过的原创文章的HTML代码为例子，获得原创文章的名字和链接，用以制作文章列表。

部分数据如下所示，利用正则表达式的第一步就是找规律。

• 这段文字是JSON格式，列表和字典的组合，使用json函数可以很容易解析。但我们这通过正则表达式解析。
• title后面跟随的文章的题目; url后面跟随的是文章的链接。
• {"和"}标记每篇文章的信息的开始和结束。
• auth_apply_num是目前不关注的信息。

下面的动画（点击原文看动画，上传总失败）展示了如何通过正则表达式，把这段文字只保留题目和链接，并转成Markdown的格式。

• :set wrap: 折行显示
• :s/"}, {"/\r/g: :开启命令行模式；s: 是替换，之前讲Linux命令时也多次提及；/作为分割符，三个一起出现，前两个/中的内容为被替换内容，后两个/中的内容为替换成的内容；这里没有使用正则表达式，直接是原字符的替换，\r表示换行符。这样把每篇文章的信息单行显示，方便后续处理。
• :%s/auth_apply.*"title":"/[/：%表示对所有行进行操作；被替换的内容是auth_apply和title":"及其之间的内容(.*表示，.表示任意字符，*表示其前面的字符出现任意次)
• :%s/".*"url":"/](/：从题目到url之间的内容替换掉；第一次替换时忘记了第一行中开头还有引号，结果出现了误操作，后面又退回去，手动删除特殊部分，其它部分继续匹配。
• :%s/$/)/：表示在行尾($)加上), 就组成了Markdown中完整的链接形式[context](link)。
• :%s/^/* /：表示在行首(^)加上*变成Markdown格式的列表

至此就完成了生信宝典公众号文章到Markdown链接的转换，可以放到菜单栏文章集锦里面方便快速查询了。

一步步的处理也有些麻烦，有没有办法更简单些呢？（原文看动画）

• 首先也是把每篇文章的信息处理为单行显示，一样的模式更容易操作，去掉第一行行首不一致的部分
• 使用上下箭头可以回溯之前的命令，类似于Linux终端下的操作
• %s/.*title":"\([^"]*\).*url":"\(.*\)/* [\1](\2)/c: 这个是记忆匹配，记录下匹配的内容用于替换，\(和\)表示记忆匹配的开始和结束，自身不匹配任何字符，只做标记使用；从左只右, 第一个\(中的内容记录为\1, 第二个\(中的内容记录为\2,以此类推。尤其在存在括号嵌套的情况下，注意匹配位置，左括号出现的顺序为准。在匹配文章题目时使用了[^"]*而不是.*，是考虑到正则表达式的匹配是贪婪的，会囊括更多的内容进来，就有可能出现非预期情况，所以做这么个限定，匹配所有非"内容。

正则表达式在数据分析中有很多灵活的应用，可以解决复杂的字符串抽提工作。常用的程序语言或命令如pytho, R, grep, awk, sed都支持正则表达式操作，语法也大体相似。进一步学习可参考一下链接：

• VIM正则表达式 http://blog.csdn.net/u014015972/article/details/50688837
• Pyton正则表达式 https://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html