UNIX 文字列置換・削除の基本操作

Question

いつもお世話になっております。
初歩的な質問を申し訳御座いません。

A.txt

scaffold20_cov142_44767_40
scaffold5789971_cov368_412_40
scaffold5760679_cov360213_9_40
scaffold737200_cov344_191_40
scaffold5710974_cov3992_26_40
scaffold7161_cov152_2498_40

          ・
     ・
          ・
  （数万行続く）

といったファイルを、

scaffold20_cov142
scaffold5789971_cov368
scaffold5760679_cov360213
scaffold737200_cov344
scaffold5710974_cov3992
scaffold7161_cov152
・
・
・
というようなファイルに書き換える際の良いコマンドを御教授頂けたら幸いです。
因みに、
$ sed 's/>//g' A.txt | sed 's/(cov[0-9]{1,}.)//g'
$ sed 's/>//g' A.txt | sed 's/_.//2'
といったコマンドでは、後半部分がうまくいっていないようです。

Answer 1

以下の回答は間違いを含んでいます。-rがないので拡張正規表現が扱えないなど。
yunanoさんが正しいパターンを提示しておられますので、以下はパターンをマッチさせる考え方の参考とでもしていただければと思います。

実機確認をおこたるとダメという残念な回答になってしまいました。失礼しました。

---

正規表現を扱うとき、「どのようなパターンを」という点を正確に表現できれば自ずと正しいパターンマッチが行えます。

>文字列A_文字列B_文字列C_文字列D
(ただし、先頭以外には'>'は出現しないことがわかっている)
=>
文字列A_文字列B

全ての文字列置換が上記のようなパターンであるなら

$ sed 's/>//g' A.txt | sed 's/(cov[0-9]{1,}.)//g' (1)
$ sed 's/>//g' A.txt | sed 's/_.//2' (2)

(1)は「文字列A」の先頭部分を削除してしまうので間違いですね。
(2)は「文字列B」の部分から削除してしまうので間違いですね。

マッチした部分を削除するという方針ならマッチさせたい部分は以下のように考えられます。

(A)>
(B)末尾の_文字列C_文字列D

(A)はよいとして(B)をより正確にいうなら「''で始まり''以外の文字が1つ以上続くパターンが２回出現する末尾のパターン」と考えられるので(_[^_]+){2}$と考えればよいのです。「末尾の」が考慮から漏れると文字列B_文字列Cが削除されてしまいますし、'_'以外の文字が1つ以上続くとしてしまうと文字列B～文字列Dにマッチしてしまいます。

要するにパターンを正確に指定する考え方に慣れるとよいと思います。

---

追記：マッチした部分を残すという方針も考えられます。
例えば先頭１文字が必ず'>'とわかっているならパターンは^.([^_]+_[^_]+)_とした場合の括弧で挟まれた部分となるので、sedをパイプで２回実行する必要はなく一度の置換でよくなります。

sed 's/^.([^_]+_[^_]+)_/\1/g'

比較パターンの中の先頭の.にマッチする文字とパターンの最後の文字_は置換後のパターン\1には含まれないことに注意してください。

Comments

[退会済みユーザー]

アドバイスを誠に有り難うございます。
「正しい正規表現」が出来るように、更なる経験を積みたいと思います。

[KSwordOfHaste]

失礼、内容が間違っているので訂正しました。

Answer 2

sed -r 's/(^.+_cov[^_]+).+/\1/' A.txtで如何でしょうか。

Comments

[退会済みユーザー]

プログラム歴1年未満の私には、このコマンドの意味がすぐに
理解できず恐縮ですが、正にこのコマンドで出来ました。
直ちに復習をしてみようと思います。誠に有難う御座いました。

[yunano]

今更ながら先頭に置換前の文字列の先頭に>が付いているのを見落としてました。
正しくは sed -r 's/^>(.+_cov[^_]+).+/\1/' A.txt となります。

私の採った手法はKSwordOfHasteさんの説明にある「追記：マッチした部分を残すという方針も考えられます。」となります。
置換前の残したい部分を括弧で囲み、置換後を「\1」で指定する、というものですね。
専門用語ではこの手法を「後方参照」と呼びます。

[退会済みユーザー]

態々有難う御座いました。ここの部分は私は
sed -r 's/(^.+_cov[^_]+).+/\1/' A.txt | sed 's/>//g'
としました。