序列匹配与正则表达式

一、grep，以行为处理单位，当数据是多行折叠时，行之间存在换行符，在行尾与下行行首间的模式用grep不能匹配，这时可用dreg或fuzznuc，或者用tr -d '\n'  去除换行符

                dreg -filter -pattern AAAAAA

                fuzznuc -filter -pattern'AANAA'

二、正则表达式：http://regexpal.com/

1.字符匹配：

1）.：代表且只能代表任意一个字符。可以匹配空格，但不能匹配空行（当前目录，加载文件）

2）[abc]：匹配字符集合内任意一个字符[a-z]

[:lower:]:小写字母

[:digit:]:所有数字

[:upper:]:大写字母

[:alpha:]:所有字母

[:alnum:]:所有字母和数字

[:punct:]:所有标点

[:space:]:所有空白集合

3）[^]：指定范围之外的任意单个字符

[^abc]：匹配非abc的字符集

[^a-z]=[^[:lower:]]

4）\：转义字符，让有着特殊意义的字符还为原型。\.表示小数点

2.匹配次数：用在指定其出现的字符的后面，用于限制前面的字符出现的次数，默认为贪婪模式（匹配很长的字符集）

1）*：重复0个、1个或多个前面的一个字符，不代表所有（区别于linux命令）

例如：grep

"x*y"表示：abxy,aby,xxxxxy,yab

2）.*：匹配任意长度的任意字符

3）\?：匹配前面的字符0次或者1次，即前面的字符可有可无

grep

"x\?y"表示：abxy,aby,yab,xxxxxy

4）\+：匹配前面的字符1次或者多次，即前面的字符至少出现1次

grep

"x\+y"表示：abxy,xxxxxy

5）\{m\}：匹配前面的字符m次

6）\{m,n\}：匹配前面的字符最少m次，最多n次

7）\{0,n\}：最少0次，最多n次

8）\{m,\}：最少m次

3.位置锚定：

1）^word：搜索以word开头的内容

2）word$：搜索以word结尾的内容

3）^pattern$：用pattern来匹配整行

4）^$：空行

5）^[[:space:]]*$：空行或包含空白字符的行

6）\<或\b：锚定单词或数字左侧

7）\>或\b：锚定单词或数字右侧

8）\<

\>：精确锚定某个单词或数字

9）^.*：以任意多个字符开头

例：netstat

-tan | grep "LISTEN[[:space:]]*$"

grep

"^[[:space:]]\{1,\}[^[:space:]]" /boot/grub/grub.cfg

grep

"\b[0-9]\{2,3\}\b" /etc/passwd

4.分组及引用：

\(\)：将一个或多个字符捆绑在一起，当作一个整体处理

例：\(xy\)*ab

概念：分组括号中的模式匹配到的内容会被re引擎记录于内部变量中，这些变量为：

\1:第一个括号匹配到的字符集

\2:第二个括号匹配到的字符集

\3:第三个括号匹配到的字符集

例：grep

"l..e.*l..e" lover

grep

"\(l..e\).*\1" lover

grep

"\(r..t\).*\1" \etc\passwd

后项引用：前面括号内所匹配的模式会被后面的\1等引用。

扩展re中：匹配次数与分组引用中的字符去掉转义符\。

5.或：a|b：a或b

C|cat：C或cat

(C|c)at：Cat或cat

例：显示ifconfig下的1-255的数字

ifconfig |

egrep -o "[1-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5]"

显示ifconfig下的ip地址

ifconfig |

egrep -o "地址:[0-9]{3}\.[0-9]{1,3}\.[0-9]\.[0-9]"

三、k-mer: 指的是一个字符串中所有长度为k的子字符串的集合。可以用来进行error correction、对genome进行物种分类以及伪比对。

    1、jellyfish：统计k-mers