在标签之间提取信息
在标签之间提取信息
提问于 2013-11-07 04:46:08
我有一个文本文件，下面显示了文件内容的示例：
1234一个新的同源结构域编码基因与一个大的CpG岛有关，该岛被肌营养不良不稳定(CTG)n重复序列所打断。肌营养不良(DM)与蛋白激酶编码基因DMPK的( CTG )n三核苷酸重复扩增有关，该基因位于19q13染色体上。3.这种基因在病人组织中表达的特征，迄今产生了关于DMPK mRNA稳态水平的变化和在存在扩张时的最终DMPK蛋白水平的相互矛盾的数据。19号染色体的DM区基因丰富，重复扩增可能导致附近多个转录单元功能障碍，可能是染色质断裂的结果。我们已经在DMPK的3端寻找与CpG岛相关的基因。该区域的序列显示，该岛屿延伸超过3个。5kb，被( CTG )n重复序列打断。在人类和小鼠的基因组序列下游(着丝粒)的比较，确定了具有显著同源性的区域。它们对应于预测编码同源结构域蛋白的基因的外显子。RT-PCR分析表明，该基因被称为DM位点相关同源结构域蛋白( DMAHP )，在骨骼肌、心脏和大脑等多种组织中均有表达。
我需要提取标记之间的内容:例如，
<category="SpecificDisease">Myotonic dystrophy</category>我需要提取“肌营养不良”并写入一个新的文本文件。
回答 2
Unix & Linux用户
发布于 2013-11-07 13:51:09
您可以使用grep查找标记之间的文本，然后使用sed删除标记本身：
$ grep -oP '<category.+?>.*?</category>' file.txt | sed 's/<.*>\(.*\)<.*>/\1/'
myotonic dystrophy
Myotonic dystrophy
DM
DM
DM解释
grep -oP：-P为grep启用了PCRE，-o使其只打印匹配的字符串。'<category.+?>.*?</category>'：这告诉grep搜索打开和关闭category标记之间的所有内容。sed 's/<.*>\(.*\)<.*>/\1/'：上面grep的输出通过管道传输到sed，后者只需将标记替换为它们的内容(这里是\1，因为使用了括号来捕获它们)。
Unix & Linux用户
发布于 2013-11-07 07:55:33
这可以通过PCRE完成，我已经尝试过了。但还没有完全理解。
下面是我尝试和工作的例子：
grep -oP '(?:<category=[A-Za-z\"\s]*>)[A-Za-z\s]+(?:<\/category>)' input|\
awk -F">" '{split($2,a,"<"); print a[1]}'页面原文内容由Unix & Linux提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://unix.stackexchange.com/questions/99179
复制相关文章
相似问题
腾讯云开发者
