Almost～最快文本搜索–grep

测试开头

今天是生信星球陪你的第41天

你想找辆共享单车，发现满街都是别家车，没有一辆你能骑。

你想学点生信，搜了“初学者教程”，满眼尽是高大上，没有一句能看懂。

终于你跨越茫茫宇宙，来到生信星球，发现了初学者的新大陆！

生而为搜——它会在每一行搜索匹配内容：

之前花花介绍过了生信小白第26天–初识文本处理三剑客，初次相遇也许有些陌生，那么今天豆豆带你走近三剑客之一grep 一探究竟

grep的意思是 global search regular expression(RE) and print out the line

regular expression就是正则表达式，之前在再续文本处理三剑客中提到过，今天对这部分内容加一些补充说明

正则表达式：

它的语法结构有两套系统组成，元字符（metacharacters） + 普通字符

那么问题来了：什么是元字符呢？

A：元字符是表达式的结构，骨架；
比如，“我爱生信星球”这个句子中的主谓宾都是固定的，也就是它的元字符是固定的；
普通字符可以不同，也就是会有各种语言版本的这句话，来表达我对生信星球的爱

元字符主要由以下字符组成：
^ $ . [] {} - ? + () |

grep模式：

主要有两种，一种基础模式就是grep，一种拓展模式叫做egrep。
egrep的特点就是支持更多的元字符

grep常用参数：

-c 显示有多少行被匹配到（count）

-v 过滤掉某些格式的行

-o 只打印匹配到的内容

-i 忽略匹配字段和匹配内容的大小写

-A/B n：显示搜索内容前/后 n行

–color=always: 始终高亮显示搜索字段

grep实例练习：

下载数据：

wget http://www.arabidopsis.org/download_files/Genes/TAIR10_genome_release/TAIR10_gff3/TAIR10_GFF3_genes.gff

搜索特定信息

# 搜索基因组注释文件.gff中特定基因信息
grep "AT1G01680" *.gff | head -n5

Almost～最快文本搜索--grep

排除特定信息

# 还是搜索这个基因，但排除其中feature项的protein
grep "AT1G01680" *.gff | grep -v "protein" | head -n5

Almost～最快文本搜索--grep

查找某段序列并输出上下文

# grep -A n显示后面n行； -B n显示前面n行
# 下载基因组文件wget 
http://www.arabidopsis.org/download_files/Genes/TAIR10_genome_release/TAIR10_chromosome_files/TAIR10_chr_all.fas

grep -A 2 "CAAATTGAATTAAG" *.fas
=> 得到下面👇的结果
=> -B的用法你可以试一下

Almost～最快文本搜索--grep

查找特定序列并计算出现了几次

grep -c "CAAATTGAATTAAG" *.fas 
或者： grep "CAAATTGAATTAAG" *.fas | wc -l
# 如果单纯输出 就用grep -o

精准匹配某个基因

# 搭配正则表达式
# 比如要匹配开头为AT1G250，结尾为3的基因名
grep "AT1G250.*3$" *.gff
=> 得到了两条AT1G25053 & AT1G25083

Almost～最快文本搜索--grep

并非完美～

虽然grep很强大，但是他也并非十全十美，他的一个不足之处就在于，对于存在换行符的字符串，它会搜不到。例如我们想找TAIR10_chr_all.fas 中95-100之内的‘CCACT’ 碱基

先看一下

`tail -n100 TAIR10_chr_all.fas | head -n5`

用肉眼就能看到’CCACT’，但是如果用grep搜索是没有结果的

tail -n100 TAIR10_chr_all.fas | head -n5 | egrep 'CCACT'

其实稍加改变，用grep还是能实现，就是不那么优雅：

tail -n100 TAIR10_chr_all.fas | head -n5 | tr -d 'n' | egrep 'CCACT'

【tr -d（delete）是删除特定字段】

所以，有没有什么更快捷的办法呢？有的～可以使用emboss套件下的dreg, 它是针对核酸；如果是氨基酸序列和翻译后的蛋白序列，使用preg

tail -n 1000 chr22.fa | head -n 5 | dreg -filter -pattern 'TAATA'