Linux学习笔记（四）
grep
grep全称是global search regular expression(RE) and print out the line，中文名即全面搜索正则表达式并把行打印出来。是一种强大的文本搜索工具，可以使用正则表达式搜索文本，并将匹配的行列打印出来。Unix的grep家族包括grep,egrep,fgrep以及zgrep等，egrep,fgrep与grep的差别很小，egrep支持更多的re元字符， fgrep就是fixed grep或fast grep，它们把所有的字母都看作单词，也就是说，正则表达式中的元字符表示其自身的字面意义，不再特殊grep可以通过-G、-E、-_F_命令行选项来使用egrep,fgrep的功能，zgrep可以用来处理ZIP格式文件。
grep常用用法
grep常用用法如下：
grep [-acinv] [--color=auto] '字符串或者正则表达式' filename
选项参数：
- -a：将binary文件以text文件的方式搜索，即不要忽略二进制数据
- -A<显示列数>：除了显示匹配到的那一行之外，还显示该行之后的内容
- -b：除了显示匹配到的那一行之外，还显示该行之前的内容
- -c：计算匹配到字符串的次数
- -C<显示列数>：除了显示匹配到的那一列之外，还显示该列之前后的内容
- -d<进行动作> 当指定要查找的是目录而非文件时，必须使用这项参数，否则grep命令将回报信息并停止动作
- -e<范本样式> 指定字符串作为查找文件内容的范本样式
- -E 将范本样式为延伸的普通表示法来使用，意味着使用能使用扩展正则表达式
- -f<范本文件> 指定范本文件，其内容有一个或多个范本样式，让grep查找符合范本条件的文件内容，格式为每一列的范本样式
- -F 将范本样式视为固定字符串的列表
- -G 将范本样式视为普通的表示法来使用
- -h 在显示符合范本样式的那一列之前，不标示该列所属的文件名称
- -H 在显示符合范本样式的那一列之前，标示该列的文件名称
- -l 列出文件内容符合指定的范本样式的文件名称。
- -L 列出文件内容不符合指定的范本样式的文件名称。
- -q 不显示任何信息。
- -R/-r 此参数的效果和指定“-d recurse”参数相同。
- -s 不显示错误信息。
- -w 只显示全字符合的列。
- -x 只显示全列符合的列。
- -y 此参数效果跟“-i”相同。
- -o 只输出文件中匹配到的部分。
- -i：忽略大小写
- -n：输出行号
- -v：方向选择即显示出未匹配到字符串的那一行
- –color=auto：匹配到的字符串颜色高亮
下面我们实战演练一下，我们要从GTF文件中搜索到匹配Olfr418-ps1的行：
$ grep 'Olfr418-ps1' Mus_musculus.GRCm38.75_chr1_genes.txt
ENSMUSG00000049605 Olfr418-ps1
#打印出行号
$ grep -n 'Olfr' Mus_musculus.GRCm38.75_chr1_genes.txt|head -n 5
548:ENSMUSG00000067064 Olfr1416
549:ENSMUSG00000057464 Olfr1415
550:ENSMUSG00000042849 Olfr1414
551:ENSMUSG00000058904 Olfr1413
552:ENSMUSG00000046300 Olfr1412
通过参数-v设置可以不匹配不需要的字符串或者正则表达式：
$ grep Olfr Mus_musculus.GRCm38.75_chr1_genes.txt|grep -v Olfr1413|head -n 5
ENSMUSG00000067064 Olfr1416
ENSMUSG00000057464 Olfr1415
ENSMUSG00000042849 Olfr1414
ENSMUSG00000046300 Olfr1412
ENSMUSG00000062497 Olfr1411
需要注意的是，这里我们排除掉
Olfr1413，但是如果数据集里存在类似于Olfr1413a这样的字符，grep也会将之剔除，因此我们需要设置参数-w进行精准匹配。下面举个例子说明：
$ cat example.txt
bio
bioinfo
bioinformatics
computational biology
# grep without -w
$ grep -v bioinfo example.txt
bio
computational biology
#可以看出这里将含有bioinfo字符串的bioinformatics也剔除掉了,使用参数-w可以避免
$ grep -v -w bioinfo example.txt
bio
bioinformatics
computational biology
我们平常接触的组学数据格式都是很复杂的，当我们匹配的时候我们希望能过浏览匹配到的字符串的前后文，Linux提供了参数设置：-B（前）、-A（后）以及-C（前后），每个参数后面都跟着一个数字，表示要显示几行,如果匹配到多行，则个匹配之间会用–分割开：
$ grep -B2 'AGATCGG' contam.fastq|head -n 6
@DJB775P1:248:D0MDGACXX:7:1202:12362:49613
TGCTTACTCTGCGTTGATACCACTGCTTAGATCGGAAGAGCACACGTCTGAA
--
JJJJJIIJJJJJJHIHHHGHFFFFFFCEEEEEDBD?DDDDDDBDDDABDDCA
@DJB775P1:248:D0MDGACXX:7:1202:12782:49716
CTCTGCGTTGATACCACTGCTTACTCTGCGTTGATACCACTGCTTAGATCGG
grep如果结合正则表达式则会显得十分强大，比如如果我们要匹配Olfr1413以及Olfr1411,可以使用简单的正则表达式完成：
$ grep 'Olfr141[13]' Mus_musculus.GRCm38.75_chr1_genes.txt
ENSMUSG00000058904 Olfr1413
ENSMUSG00000062497 Olfr1411
当然如果我们要匹配的不具有相同的前缀，那就很尴尬了，这时我们可以利用**POSIX Extended Regular Expressions(ERE)**进行匹配，可以添加参数-E或者直接使用
egrep都行
$ grep -E "(Olfr1413|Olfr12)" Mus_musculus.GRCm38.75_chr1_genes.txt
ENSMUSG00000058904 Olfr1413
ENSMUSG00000061616 Olfr12
很多时候我们只需要将匹配到的行打印出来，此时我们可以使用参数-o：
$ grep -o "Olfr.*" Mus_musculus.GRCm38.75_chr1_genes.txt|head -n 3
Olfr1416
Olfr1415
Olfr1414
