Recherche avec grep Résolu/Fermé

Question

Bonjour, 

Je voudrais rechercher une chaîne de caractère précise dans un fichier data.txt. 

Voici ce que j'ai. Le fichier data.txt contient une ligne de caractères ;
ACGGGACAGTGGTGACGCGGATCGACT

Je dois trouver ceci :
CGGGACAGTGGGGACAGTGGTGGTGACGCGCGGATCGACT

J'ai essayé avec grep -o -e ".GG......." data.txt, ça ne me donne pas le résultat voulu.

CGGGACAGTGCGGATCGACT

mamiemando · Answer

Bonjour,

Effectivement, il manque deux lignes car grep cherche de manière gloutonne, et les deux lignes manquantes sont recouvertes par les deux lignes affichées par grep. Je n'ai pas vu d'option dans grep qui permettent de changer ce comportement mais tu peux vérifier dans man grep.

Le problème que tu soulèves est traité dans cette discussion avec d'autres outils comme awk ou python.

Ton problème ne nécessite pas d'expression rationnelle, donc on peut s'en sortir en énumérant tous les slices de 10 caractères tels que le 2nd et le 3ème caractères sont GG, ce qui donne :

data.txt

ACGGGACAGTGGTGACGCGGATCGACT

toto.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import sys

def find_occurrences(s):
    return (
        s[i:i+10]
        for i in range(len(s))
        if s[i:i+10][1:3] == "GG"
    )

with open(sys.argv[1]) as f:
    for line in f.readlines(): 
        line = line.strip()
        print("
".join(
            occurence
            for occurence in find_occurrences(line)
        ))

Quelques explications :

 en Python, s[i:j] la sous-chaîne de s allant de l'index i (inclu) à l'index j (exclu) (on parle de slicing) ;
 s[i:i+10] permet donc d'extraire les 10 caractères glissants de s en partant de l'index i ;
 par rapport à ton critère de filtrage, on veut contrôler le second et le troisième caractères sont "GG", et comme les caractères sont indexés à partir de 0, cela correspond au slice [1:3], soit au final s[i:i+10][1:3] ;
 la fonction find_occurrences retourne un itérateur sur une chaîne s arbitraire (en l'occurrence, ACGGGACAGTGGTGACGCGGATCGACT) de sorte à extraire les slices de taille 10 dont second et le troisième caractères sont "GG" ;
 cette fonction est appelée pour chaque ligne du fichier data.txt (le chemin vers le fichier est récupéré en paramètre du programme via sys.argv[1]) ; les résultats sont concaténés par le caractère "
" (retour à la ligne) de sorte à afficher un résultat par ligne ;
 si tu n'es pas familier de Python et un peu surpris par la position des for), c'est parce qu'on utilise un concept propre à python (voir les listes de compréhensions).

Résultat

(mando@silk) (~) $ python3 toto.py data.txtCGGGACAGTGGGGACAGTGGTGGTGACGCGCGGATCGACT

Bonne chance

Bernard · Answer

Bonjour Mamiemando,

Merci pour ta réponse rapide, j'ai effectivement regardé dans le man de grep, je n'ai rien trouvé. J'ai essayé avec awk combiné avec sed rien non plus. je vais essayer ton script en python et reviens vers toi.

dubcek · Answer

hello
$ awk -F ""  '{for (x=1; x<=NF; x++)if ($x=="G" && $(x+1)=="G"){printf $(x-1)$x; for (n=1;n<9;n++)printf $(x+n); print ""}}' data.txtCGGGACAGTGGGGACAGTGGTGGTGACGCGCGGATCGACT

Bernard · Answer

Bonjour Dubcek,

effectivement, ca fonctionne aussi, merci beaucoup.
Merci à tous les deux pour votre aide.

dubcek · Answer

plus court
$ awk '{for (x=1; x<=length(); x++)if (substr($0, x, 2)=="GG")print substr($0, x-1, 10)}' data.txtCGGGACAGTGGGGACAGTGGTGGTGACGCGCGGATCGACT

Recherche avec grep

5 réponses

Discussions similaires