如何用sed保留制表符分隔文件中的GO:#######字符串及指定空行

问题背景 #

有一个大型制表符分隔文件，需要保留每行中任意数量的GO:#######格式字符串，以及仅包含英文句点的行。使用原有sed命令时，因正则贪婪匹配导致误删中间有效内容，无法得到期望结果。

原有命令 #

sed -r 's/	`.+`	//g' file1.txt > file2.txt

现有内容 #

GO:1234567    `text1`moretext`    GO:5373845    `diff`text`     GO:5438534     `text`text
.
GO:3333333     `txt`text`    GO:5553535    `misc`text
.
.

期望结果 #

GO:1234567    GO:5373845    GO:5438534
.
GO:3333333    GO:5553535
.
.

实际错误结果 #

GO:1234567    GO:5438534     `text`text
.
GO:3333333    GO:5553535    `misc`text
.
.

问题原因 #

原有命令中的.+是贪婪匹配，会从第一个开始匹配到距离最远的下一个，跳过中间的GO字段；同时仅匹配前后带制表符的...内容，导致行尾无制表符的非GO内容无法被清理。

解决方案 #

方法1：使用sed精准匹配清理非GO内容 #

通过正则精准定位并删除所有非GO格式的字段，同时保留句点行：

sed -E '
    /^\.$/!{
        s/([^	]*GO:[0-9]{7}[^	]*)/\1\n/g;
        s/[^\n]*\n//g;
        s/\n/	/g;
        s/^	|	$//g
    }
' file1.txt > file2.txt

命令解释：

1. /^\.$/!：仅对非句点行执行操作
2. s/([^ ]*GO:[0-9]{7}[^ ]*)/\1\n/g：将每个GO格式字段和其前后的制表符替换为“GO字段+换行符”，把GO字段单独拆分到每行
3. s/[^\n]*\n//g：删除所有不包含换行符的内容（即非GO字段），只留下GO字段的行
4. s/\n/ /g：将换行符替换为制表符，把GO字段重新用制表符分隔
5. s/^ | $//g：删除行首和行尾多余的制表符

方法2：用awk更高效处理字段（推荐） #

awk天生擅长处理分隔符字段，逻辑更清晰，适合大型文件：

awk -F'	' '
    /^\.$/ {print; next}
    {
        line = ""
        for (i=1; i<=NF; i++) {
            if ($i ~ /^GO:[0-9]{7}$/) {
                line = line (line ? "	" : "") $i
            }
        }
        print line
    }
' file1.txt > file2.txt

命令解释：

1. -F' '：指定制表符为字段分隔符
2. /^\.$/ {print; next}：如果是仅含句点的行，直接打印并跳过后续处理
3. 遍历每行的所有字段，仅保留匹配GO:#######格式的字段
4. 将保留的字段用制表符连接后打印

内容的提问来源于stack exchange，提问作者timtimbruno