Bash过滤复杂文本：移除含特定序列的4行组的方法求助

问题描述 #

我有一个FASTQ格式的文本文件，每4行构成一个读段组，每组首行以@开头。我需要基于每组的第2行（序列行）进行过滤：如果第2行包含特定序列GATCAGACGTGGCGAC，则移除整个读段组，保留其余组生成新文件。

我尝试执行命令 grep -i GATCAGACGTGGCGAC myfile.txt > output.txt，但仅返回包含该序列的第2行，不符合需求。请问如何修正该命令？

要解决这个问题，你需要针对整个4行读段组进行处理，而不是只操作单行。下面提供两种可靠的方法：

解决方案1：使用Awk（推荐，适配严格的FASTQ格式） #

Awk是处理这种固定多行分组文本的理想工具，它可以精准记录每组的内容，再根据序列行的条件决定是否输出：

awk '
    # 捕获每组的第1行（头部）
    NR % 4 == 1 {
        header = $0
        seq = ""
        plus = ""
        qual = ""
    }
    # 捕获每组的第2行（序列）
    NR % 4 == 2 {
        seq = $0
    }
    # 捕获每组的第3行（+分隔行）
    NR % 4 == 3 {
        plus = $0
    }
    # 捕获每组的第4行（质量值），完成分组后判断输出
    NR % 4 == 0 {
        qual = $0
        # 仅当序列行不包含目标序列时，输出整个读段组
        if (seq !~ /GATCAGACGTGGCGAC/) {
            print header "\n" seq "\n" plus "\n" qual
        }
    }
' myfile.txt > output.txt

说明：

• NR是Awk的内置变量，代表当前处理的行号
• 我们通过NR % 4的结果，把每行分配到对应的组元素中
• 当处理完每组的最后一行时，检查序列行是否不匹配目标序列，满足条件就打印完整的4行组

解决方案2：使用Grep（快速处理，适合标准FASTQ文件） #

如果你的系统使用GNU Grep（大部分Linux/macOS环境默认支持），可以结合反向匹配和上下文参数实现需求：

grep -v -B1 -A2 "GATCAGACGTGGCGAC" myfile.txt > output.txt

说明：

• -v：反向匹配，输出不包含目标序列的行
• -B1：显示匹配行的前1行（对应读段组的头部）
• -A2：显示匹配行的后2行（对应+行和质量值行）
• 这个命令会找到所有符合条件的序列行，并自动带出它们所属的整个4行组

⚠️ 注意：如果你的文件存在非标准的行结构（比如不是严格4行一组），这个方法可能会出现错误输出，因此更推荐Awk方案。

内容的提问来源于stack exchange，提问作者ARM