Commandline Tips : Extraction du x‑ième champ d'un fichier organisé en colonne

But : Dans un fichier orga­ni­sé en colonne, extraire la (ou les) colonne(s) qui nous inté­ressent

Pré­re­quis : Savoir uti­li­ser grep est un plus.

Dif­fi­cul­té : 1/​5 (Facile)

Nous sou­hai­tons dans le fichier PDB 6CSC  extraire la pre­mière et la qua­trième colonne des lignes débu­tant par le mot clef "ATOM"

Pré­pa­ra­tion des don­nées :

La pre­mière chose à faire est d'extraire les lignes conte­nant avec mot clef "ATOM", pour cela nous allons uti­li­ser grep. L'utilisation la plus simple de cet uti­li­taire demande deux argu­ments qui sont la chaîne recher­chée et le fichier à fouiller.

Le lec­teur atten­tif aura remar­qué que des guille­mets sont pré­sents et qu'un espace a été rajou­té. Les deux sont liés, lorsque nous fil­trons sur le mot clef seul, grep nous ren­voient des ligne de com­men­taires conte­nant le mot ATOMS que nous ne sou­hai­tons pas. Les lignes qui nous inté­ressent contiennent le mot clef immé­dia­te­ment sui­vit d'un espace et l'espace nous oblige à rajou­ter des guille­mets. Une autre solu­tion aurait pu être : grep ATOM 6CSC.pdb | grep ‑v ATOMS  l'option "-v" per­met­tant de sélec­tion­ner toutes les lignes qui ne contiennent pas le mot clef, le carac­tère | (dit pipe) il sera expli­qué plus loin.

Voi­ci un extrait du résul­tat des deux com­mandes :

Com­mande : Awk
Nous allons main­te­nant pas­ser à la sélec­tion de la pre­mière et qua­trième colonne. Nous allons uti­li­ser l'utilitaire awk dans son usage le plus basique, l'exemple ci-des­sus ne nous per­met pas d'utiliser la com­mande cut, j'en par­le­rai tout de même à la fin de l'article.

Le carac­tère "|" signi­fie pipe, il prend le résul­tat de la com­mande à sa gauche pour l'envoyer comme "fichier" d'entrée à la com­mande à sa droite. Tout étant fichier sous GNU/​Linux, ceci est fait de manière trans­pa­rente.

L'argument pas­sé à awk, qui à son propre lan­gage de pro­gram­ma­tion, est le sui­vant ' { print $1, $4 } '

• Ce que nous avons pla­cé entre guille­met simple est le script qui va être exé­cu­té, nous aurions aus­si pu uti­li­ser l'option ‑f file­name et sto­cker le script dans un fichier.
• $1 et $4 sont res­pec­ti­ve­ment le conte­nu des colonnes 1 et 4, par défaut awk uti­lise l'espace comme sépa­ra­teur, qu'il y en ait un ou plu­sieurs, c'est la même chose.
• Les acco­lades déli­mitent ce qui est appe­lé un "bloc-pro­gramme" qui regroupe un ensemble de trai­te­ment à effec­tuer.
• La vir­gule per­met lors de l'affichage, fait avec la fonc­tion print, de sépa­rer avec un espace la pre­mière et la qua­trième colonne.

Quelques infor­ma­tions sup­plé­men­taires :

• $0 per­met d'afficher la ligne entière
• L'option ‑F per­met de défi­nir le déli­mi­teur, un exemple est pré­sent à la fin de cet article

Com­mande : cut

Je sou­haite main­te­nant faire la même chose avec l'utilitaire cut, celui ci n'a pas la plas­ti­ci­té d'awk et il est néces­saire que chaque colonne soit sépa­ré par un seul et unique déli­mi­teur. C'est pour­quoi j'ai repris le résul­tat de la pre­mière com­mande grep et rem­pla­cé les espaces entres les dif­fé­rents termes par des ":" (for­mat CSV pour les puristes). La manière de pro­cé­der au rem­pla­ce­ment sera expli­qué dans un pro­chain article.

Quelques expli­ca­tions : nous deman­dons à cut d'afficher les champs 1 et 4 (field option ‑f) déli­mi­té par le sépa­ra­teur ";" (deli­mi­ter option ‑d).

Comme tou­jours , il est pos­sible d'obtenir le même résul­tat de plu­sieurs façons :

 Liens

• For­mat PDB
• The GNU Awk User Guide