正则表达式(regular expression, regex)是一个重要且实用的概念，我时常提起却从未细谈。一怕能力不够说不清楚反而会误导人，二是已经有无数前人撰文介绍。考虑日常用到的`grep`,`sed`,`awk`里经常需要用到正则表达式，于是开一个小系列，介绍如何在`grep`，`sed`,`awk`中适用正则。
## 什么是正则表达式
**正则表达式**(regular expression)的概念，最初来自于20世纪40年代的两位神经学家(Warren McCulloch, Walter Pitts)研究神经元时提出的想法。后来数学家Stephen Kleene在代数学中正式描述了这种被他称之为“**正则集合**”的模型。并且，他还发明了一套简洁的方法表示正则集合，也就是正则表达式。
目前最快速的文本搜索工具`grep`就内置了正则表达式。`grep`起源于Unix中的ed编辑器的一条命令`g/Regular Expression/p`， 读作“Global Reular Expression Print”，即运用正则表达式的全局输出。由于这个功能太过实用，于是就从ed中独立出来，演变成了`grep`以及扩展版本的`egrep`。都知道grep因为有正则表达式所以很强大，但是正则表达式为何如此强大呢？
正则表达式的强大之处在于它是一套**语法**，分为两个部分，**元字符(metacharacters)**和**普通文本字符(normal text characters）**。
以语言类比，“我爱正则表达式”这句话可以**抽象**成“主谓宾”结构，主语是"我"，谓语是"爱"，宾语是“正则表达式”。这种语法还适用于其他语言，比如说英语就是"I love regular expression". 这种语法结构就是元字符，而构成句子的语言就是普通文字字符。
## 元字符一览
正则表达式有很多流派，不同流派之间的差异在于对元字符的支持程度。以下的元字符适用于GNU版本的grep, sed, awk. mac自带的是BSD版本。
**匹配单个字符的元字符**：
| 元字符 | 匹配对象 |
| ------ | -------------------- |
| . | 匹配单个任意字符 |
| [...] | 匹配单个列出的字符 |
| [^...] | 匹配单个未列出的字符 |
| \char | 转义元字符成普通字符 |
**提供技术功能的元字符**
| 元字符 | 匹配对象 |
| --------- | --------------------- |
| ？ | 匹配0或1次 |
| * | 匹配0到n次 |
| + | 至少一次，最多不限 |
| {min,max} | 至少min次， 最多max次 |
**匹配位置的元字符**
| 元字符 | 匹配对象 |
| ------ | -------------- |
| ^ | 匹配一行的开头 |
| $ | 匹配一行的结尾 |
**其他元字符**
| 元字符 | 匹配对象 |
| ------ | ---------------------------------------------------------- |
| 竖线 | 匹配任意分割的表达式 |
| (...) | 限定多选结构的范围，标注量词的作用范围，为反向引用捕获元素 |
| \1, \2 | 反向引用元素 |
## 在grep中使用正则表达式
grep的强大之处它所做的事情就只有在文本搜索”正则表达式“定义的**模式(pattern)**，如果找到就打印出来。可以使用`man egrep`查看所支持的参数。
```shell
egrep [options] pattern [file]
egrep [options] [-e pattern]... [-f FILE]... [FILE...]
# 参数参数
-e PATTERN: 定义多个模式
-f FILE: 从文本中读取模式
-w: 匹配整个单词
-v: 反向匹配
-i: 忽略大小写
-x: 仅仅选择整行匹配结果
-c: 计数
-n: 输出表明行号
-A/-B NUM: 同时输出后/前几行
```
**注**： grep有基础和扩展两个模式，基础模式支持的元字符较少，而`egrep`表示扩展的grep，支持的元字符较多。
### 检查测序结果的接头
在分析的质控阶段，需要检查给出的结果是否含有接头(adapter)。除了fastqc, 还能用grep检测是否有接头序列。
你可以去illumina的官网根据公司测序的protocol查找对应的接头：
[https://support.illumina.com/downloads/illumina-customer-sequence-letter.html](https://support.illumina.com/downloads/illumina-customer-sequence-letter.html)
或者是直接看FASTQC的配置文件中检测的接头
```shell
# 下载测试数据
fastq-dump -X 10000 SRR1553606 --split-files
```
然后用部分的接头对fastq文件进行搜索
```shell
egrep -B1 'TCGGAA' SRR1553606_1.fastq
```
被找到的序列并非出现最开头，你可能希望是开头有几个其他碱基，然后跟着接头序列.
```shell
egrep -B1 '^[ATGC]{0,5}TCGGAA' SRR1553606_1.fastq
```
### 基因搜索
一般而言，大家都回去TAIR上查找基因的区间。但是实际上我们可以先下载好拟南芥参考基因组及其注释文件，然后直接用正则表达式确定区间，用`bedtools`提取序列进行了。
```shell
# 下载序列
wget -c -4 -q http://www.arabidopsis.org/download_files/Genes/TAIR10_genome_release/TAIR10_chromosome_files/TAIR10_chr_all.fas
# 下载GFF文件
wget -c -4 -q http://www.arabidopsis.org/download_files/Genes/TAIR10_genome_release/TAIR10_gff3/TAIR10_GFF3_genes.gff
# 基因的信息
wget http://www.arabidopsis.org/download_files/Genes/TAIR10_genome_release/gene_description_20131231.txt.gz
```
在注释文件中查找某一个基因如SPL9, 并获取他的位置信息.
```shell
grep -i -w 'spl9' gene_description_20131231.txt
```
```shell
grep -e 'AT2G42200.1' TAIR10_GFF3_genes.gff | grep 'mRNA'
```
当然以上命令可以连成管道, 并且和bedtools合用，就可用直接获取DNA序列。
```shell
bedtools getfasta -fi TAIR10.fa -bed <(grep -i -w 'spl9' gene_description_20131231.txt | cut -f 1 | xargs -i grep -i {} TAIR10_GFF3_genes.gff | grep mRNA | cut -f '1,4,5')
```
你可以将其定义成一个函数，存放在配置文件中, 随后就能进行调用该函数。
通过grep来学习正则表达式