如何使用grep提取含特殊字符的GTF文件中的gene_id字段

问题原因 #

你之前的命令无法得到预期结果主要有两点问题：

1. sed 默认正则规则中 ! 不代表匹配取反，你编写的替换规则没有定位到 gene_id 对应的字段，不会对原文件内容产生任何修改效果
2. 没有处理属性字段中存在的反引号、双引号特殊字符，也没有设计精准提取目标内容的逻辑

解决方案 #

以下几种方案都可以直接实现你的需求，运行后输出的内容和你预期的完全一致：

方案1：awk 实现（最稳定，适配标准GTF格式）

awk -F 'gene_id "' '{split($2,a,"\""); print a[1]}' file.gtf > myfile.txt

逻辑说明：以 gene_id " 作为分隔符拆分每行，拆分后的第二部分开头即为目标 gene_id 内容，再用双引号拆分第二部分取第一个元素，自动兼容行内多余的反引号，无需额外处理其他字段。

方案2：sed 实现（分组匹配提取）

sed -n 's/.*gene_id [`"]*\([^"]*\)".*/\1/p' file.gtf > myfile.txt

逻辑说明：正则匹配整行内容，定位到 gene_id 后面可选的反引号、双引号，将双引号之前的目标内容放入分组1，最终只输出分组1的内容。

方案3：grep 实现（需支持PCRE正则）

grep -oP 'gene_id [`"]*\K[^"]+' file.gtf > myfile.txt

逻辑说明：-P 参数启用PCRE正则规则，\K 会丢弃之前匹配到的 gene_id 及后面的反引号/双引号内容，只输出后续到双引号之前的目标值。

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