Substitua strings diferentes com base em uma correspondência por uma lista de strings em outro arquivo

Question

Eu tenho um arquivo como este com o delimitador de tabulação:

Chr1    mak   gene    120221  120946  .       +       .       ID=spa-h0003.02;Name=spa-h0003.02
Chr1    mak   mRNA    120221  120946  .       +       .       ID=spa-cap_Chr1_00M;Parent=spa-h0003.02;Name=spa-cap_Chr1_00M
Chr1    mak   exon    120221  120946  .       +       .       Parent=spa-cap_Chr1_00M
Chr1    mak   gene    18546165        18546939        .       +       .       ID=spa-h0004.02;Name=spa-h0004.02
Chr1    mak   mRNA    18546165        18546939        .       +       .       ID=spa-cap_Chr1_18;Parent=spa-h0004.02;Name=spa-cap_Chr1_18
Chr1    mak   exon    18546165        18546504        .       +       .       Parent=spa-cap_Chr1_18
Chr1    mak   exon    18546791        18546939        .       +       .       Parent=spa-cap_Chr1_18

Eu quero substituir diferentes strings apenas se a terceira coluna tiver "gene". Mas as strings na nona coluna devem ser substituídas de acordo com as informações presentes em um segundo arquivo como este (com abas):

spa-h0003.02  spa-cap_Chr1_00M
spa-h0004.02  spa-cap_Chr1_18

Não sei como fazer isso. Eu estava pensando em algo como (XX deve ser a informação do segundo arquivo?):

cat file | awk '$3 == "gene" && $9 == "spa-" {$9 = "XX"} {print}' 

Mas como posso usar as informações do segundo arquivo? Talvez:

while read n k; do sed -i 's/$n/$k/g' file1; done < fileA

    

Answer 1

Assumindo que file1 contém o texto a ser substituído, file2 contém o texto de substituição, e você pode confiar no ID= para realizar a pesquisa entre ambos, você pode usar esse script (mais popular, eu acho) awk :

awk -F'\t' '
  NR==FNR{
    a[$1]=$2                                   # fills the array a with the replacement text
    next
  }
  $3=="gene"{                                  # check only lines with 'gene'
    id=gensub("ID=([^;]*);.*","\1",1,$9);     # extract the id string
    if(id in a)                                # if the id is part of the array a
       gsub(id,a[id])                          # replace it
  }
  1                                            # print the line
' file2 file1

    

Answer 2

Uma escolha impopular: Tcl. O Tcl tem um bom comando string map que realiza exatamente isso. Infelizmente, o Tcl não é realmente construído para uma linha única.

echo '
    # read the mapping file into a list
    set fh [open "mapping" r]
    set content [read $fh]
    close $fh
    set mapping [regexp -all -inline {\S+} $content]

    # read the contents of the data file
    # and apply mapping to field 9 when field 3 is "gene"
    set fh [open "file" r]
    while {[gets $fh line] != -1} {
        set fields [split $line \t]
        if {[lindex $fields 2] eq "gene"} {
            lset fields 8 [string map $mapping [lindex $fields 8]]
        }
        puts [join $fields \t]
    }
    close $fh
' | tclsh

Com o awk, eu escrevia:

awk -F'\t' -v OFS='\t' '
    NR == FNR {repl[$1]= $2; next}
    $3 == "gene" {
        for (seek in repl) 
            while ((idx = index($9, seek)) > 0) 
                $9 = substr($9, 1, idx-1) repl[seek] substr($9, idx + length(seek))
    }
    {print}
' mapping file