学习笔记Day12：初探LInux 2

Linux初探

同一个目录中不允许出现文件及文件夹重名

查看文件

1. cat （Concatenate）查看文本文件内容，输出到屏幕（标准输出流）

   • 常用参数

     • -A打印所有字符，包括特殊字符（换行符、制表符等）
     • -n/-b标记行号，-n标记空行，-b不标记空行

   • 常见用法

     cat > file创建一个新文件file，并可以将简单内容写入文件。

     >为重定向符，意为把cat原本输出到屏幕的内容写入file的文件，会覆盖。

     >>追加符，可以继续写入文件，不覆盖。

     zcat可以读压缩文件

   tac倒着看文件（从倒数第一行开始输出）

2. head 查看文件的前n行（默认10行）

   tail查看文件的后n行（默认10行）

   • 常用参数

     • -n设置看多少行的参数

   • 常见用法

     cat file.txt | head -n3 等价 head -n3 file.txt

     |管道符号

3. more逐页查看文件，按空格翻页，按回车换行，q退出

   less more的升级版，常用的查看文件命令

   • 常见参数

     • -N 显示行号
     • -S 单行显示（可以上下左右翻阅）

   • 常见用法

     /keyword进行关键词搜索；n/N上下跳转关键词。

4. wc（word count）统计文本

   • 常见参数

     • -l 统计行数（比较常用）
     • -w 统计字符串数，连在一起的字母是一个字符串。
     • -c 统计字节数，包括特殊字符，如换行符和制表符等。

   • 常见用法

     wc -l file1.txt file2.txt file3.txt 输出三个文件行数及总计行数

5. cut 文本分割

   • 常见参数：

     • -d 指定分隔符，默认\t；
     • -f输出哪几列（字段fields）

   • 常见用法：

     less -SN Data/example.gtf | cut -f 1,3-5 | less 以默认制表符分割成列，取出1，3，4，5列（不会乱序）

6. sort 排序

   • 常见参数：

     • -n 按照数值从小到大排序（默认是按照字符串理解数字的）
     • -V 字符串中含数值时，按照数值从小到大排序
     • -r 逆向排序
     • -k 按照哪一列进行排序
     • -t 指定分隔符

   • 常见用法

     less exp.csv | sort -k 3 -n| less -SN 根据第3列按照数值排序

7. uniq 去除重复行，只能去除上下挨着的重复行，需要结合sort使用

   • 常见参数

     • -C 统计每个字符串连续出现的行数

   • 常见用法

     cat file.gtf | cut -f3 | sort | uniq -c 将文件以制表符分割的第三列排序后统计出现了多少次（联想R的table）

8. paste 文本合并

   • 常见参数
     • -d 指定分隔符
     • -s 按行合并
   • 常见用法
     • paste file1 file2 默认按列合并
     • seq 20 | paste - - 很有意思！试一下！

9. tr 字符替换

   • 常见参数

     • -d 删除
     • -s 缩减连续重复字符

   • 常见用法

     tr 'a' 'A' 把小写a换成大写A，全部替换

     tr ' ' '\t'把空格替换成制表符

     tr '\n' ' '把换行符替换成空格

MD5

1. 生成md5值：md5sum file1

2. 验证md5值：md5sum -c file1.md5

小TIPs

• 特殊符号：^I及\t 制表符；$及\n 换行符
• 把输入文件当作输出文件！会清空文件！需要存为另一个文件

生物信息学常见数据格式

fasta （fasta,fa,fna,faa,fas）

基于文本表示核酸序列的

特征：两部分， id行和序列行

1. id行：以">"开头，有时候会包含注释信息，如chr1、chr2
2. 序列行：一个字母表示一个碱基/氨基酸，ATCGN或二十种氨基酸

fastq

一种保存生物序列（通常核酸序列）及其测序质量得分信息的文本格式。

特征：四行组成（行内信息必须一行写完）

1. 第一行：以@开头，之后为序列的标识符以及描述信息
2. 第二行：为序列信息，如ATCG等
3. 第三行：以+开头，之后可以再次加上序列的标识及描述信息（可无信息）
4. 第四行：为碱基质量值，与第二行序列对应，长度相等

gff

gtf

• gene_id和transcript_id非常重要！！

• 强制对齐column -t

引用自生信技能树课程~