Recherche avec grep

plus court

$ awk '{for (x=1; x<=length(); x++)if (substr($0, x, 2)=="GG")print substr($0, x-1, 10)}' data.txt
CGGGACAGTG
GGGACAGTGG
TGGTGACGCG
CGGATCGACT

Bonjour Dubcek,

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

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.txt
CGGGACAGTG
GGGACAGTGG
TGGTGACGCG
CGGATCGACT

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.

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("\n".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

  "\n"

  (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.txt
CGGGACAGTG
GGGACAGTGG
TGGTGACGCG
CGGATCGACT

Bonne chance