題目是這樣的：

統(tǒng)計SRR1039510_1.fastq.gz堿基總數(shù) 1575000

由于上一題已經(jīng)列出了該文件中所有的序列

$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | head
TGGGAGGCTGAGGCAGGAGAATCACTTAAACCTGGGAGGCAGAGGTTACAGTGAGCCGAGATT
AAAGAAGGCGACAGTGAGAAGGAGTCCGAGAAGAGTGATGGAGACCCAATAGTCGATCCTGAG
CTGCTGGGCCCCAAGGTCCTCCTGGTCCCAGTGGTGAAGAAGGAAAGAGAGGCCCTAATGGGG
CTTGGCTGCAGCCATCCCGCTTAGCCTGCCTCACCCACACCCGTGTGGTACCTTCAGCCCTGG
TGAGACAGGTAATTCAGTATAGTAGATTAATATTTTTAATATATATTTTCCCTTAAGATTTCC
ATTTCTCAGTGTAGAAATCATGTCTTCTTAATTGCTGAACCTTACTGCAAAAACTTGTGATGT
ATCAAGAATACCAAAACAGTTTCCTAATATACAGTATTTGAAAGTGCTTGCCATATTGGCTCT
CTCATTTTCATCTTCACCATCAACAGAGAGAGCAGCATACTTGCTTGCAGAACTGAACTTAGA
TCCAACCGCAGCTTGGCATCTTCGGTGGCCTGCAGCTCGTCCTCCAGCTCTTCCAGCTGCGTC
CGGCCTCCCAAAGTGCTGGGATTACAGGCATGAGCCACCGCGCTCTGCGAGGTACTTTTTCTA

于是我想，這還不簡單，直接wc -c

$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | wc -c
1600000

但是，這居然和答案不對！居然多統(tǒng)計了25000.。。。等等，25000不就是第一題統(tǒng)計多少讀長的答案嗎

$ zcat SRR1039510_1.fastq.gz | grep '@SRR'| wc -l
25000

插播一點題外話，昨天“小二黑”直接統(tǒng)計行數(shù)

$ zcat SRR1039510_1.fastq.gz | wc -l
100000

老師說，再計算一下就好：每4行一個read，除以4就好了。于是我聯(lián)想起之前“萌哥”講過bc這個命令，還自己搞了一個“花樣”出來：

$ echo $(zcat SRR1039510_1.fastq.gz | wc -l)
100000
$ echo $(zcat SRR1039510_1.fastq.gz | wc -l)/4
100000/4
$ echo $(zcat SRR1039510_1.fastq.gz | wc -l)/4 | bc
25000

這姑且不說。

多統(tǒng)計出來25000個堿基，看起來似乎是每一行多統(tǒng)計了一個字符，那么多出來的這個字符是什么呢？聯(lián)想一下之前在某處似乎聽過，每行末尾的換行符是會計算進去的。于是我cat -A了一下。

$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | cat -A | head
TGGGAGGCTGAGGCAGGAGAATCACTTAAACCTGGGAGGCAGAGGTTACAGTGAGCCGAGATT$
AAAGAAGGCGACAGTGAGAAGGAGTCCGAGAAGAGTGATGGAGACCCAATAGTCGATCCTGAG$
CTGCTGGGCCCCAAGGTCCTCCTGGTCCCAGTGGTGAAGAAGGAAAGAGAGGCCCTAATGGGG$
CTTGGCTGCAGCCATCCCGCTTAGCCTGCCTCACCCACACCCGTGTGGTACCTTCAGCCCTGG$
TGAGACAGGTAATTCAGTATAGTAGATTAATATTTTTAATATATATTTTCCCTTAAGATTTCC$
ATTTCTCAGTGTAGAAATCATGTCTTCTTAATTGCTGAACCTTACTGCAAAAACTTGTGATGT$
ATCAAGAATACCAAAACAGTTTCCTAATATACAGTATTTGAAAGTGCTTGCCATATTGGCTCT$
CTCATTTTCATCTTCACCATCAACAGAGAGAGCAGCATACTTGCTTGCAGAACTGAACTTAGA$
TCCAACCGCAGCTTGGCATCTTCGGTGGCCTGCAGCTCGTCCTCCAGCTCTTCCAGCTGCGTC$
CGGCCTCCCAAAGTGCTGGGATTACAGGCATGAGCCACCGCGCTCTGCGAGGTACTTTTTCTA$

然后突然想起

$ zcat SRR1039510_1.fastq.gz |head
@SRR1039510.1 HWI-ST177:290:C0TECACXX:1:1101:1373:2104 length=63
TGGGAGGCTGAGGCAGGAGAATCACTTAAACCTGGGAGGCAGAGGTTACAGTGAGCCGAGATT
+SRR1039510.1 HWI-ST177:290:C0TECACXX:1:1101:1373:2104 length=63
HJJJIJJJJJJJJIJJJGHHIJIIIIIIJJEHGGIJGIJIJJIJHHHGGFFDFFFDEDDDBDC
@SRR1039510.2 HWI-ST177:290:C0TECACXX:1:1101:1340:2124 length=63
AAAGAAGGCGACAGTGAGAAGGAGTCCGAGAAGAGTGATGGAGACCCAATAGTCGATCCTGAG
+SRR1039510.2 HWI-ST177:290:C0TECACXX:1:1101:1340:2124 length=63
HJJJJJJJJJJJIJIIGIJJJJGJHJJJHHDFFFE@CEEEDDDDDDDDDDDDDDDBDDDDDDD
@SRR1039510.3 HWI-ST177:290:C0TECACXX:1:1101:1273:2183 length=63
CTGCTGGGCCCCAAGGTCCTCCTGGTCCCAGTGGTGAAGAAGGAAAGAGAGGCCCTAATGGGG

人家這里都告訴你每個read的長度是63，于是計算一下

$ echo 63*25000 |bc
1575000

果然就是正確答案。

說明：1，的確每行多統(tǒng)計了一個字符；2，且多統(tǒng)計的是行末的換行符。

然后我想怎么把準確的數(shù)字統(tǒng)計出來，那就需要把行末的換行符去掉。于是：

$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | sed 's/\n//g' | wc -c
1600000

發(fā)現(xiàn)并沒有刪除掉換行符。于是陷入了各種嘗試，驗證，懷疑……

最后在網(wǎng)上搜到了一個答案：

$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | sed -e ':a;N;s/\n//g;ta' | wc -c
1575001

這個。。。似乎是去掉換行符了，但是。。怎么還多一個。。。

于是又開始猜想，可能是最后一個換行符沒有刪掉，為什么沒有刪掉呢，可能這個命令不適合我，需要再調(diào)整。于是又學習了這里面的冒號：t a N都是些什么意思，怎么用的。。。。

然后發(fā)現(xiàn)，確實沒有錯，就是最后一個換行符沒有刪掉。

zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | sed -e ':a;N;s/\n//g;ta' | cat -A 
刷屏中……GATGGGGATCTGGCTCATGTCCAAAGGTGCAATATCAAGGAAGGGCAGGCGTGATGGCTTATTTGTTTTGTATTCAATGAATTTACACAGTCTCAGATTATCTCCTAACTCCCCACAAGACACTTATTTATTCCAAAGAAAGAACCAAAACTCCTGATGATGAAGGCCAGGGCCTCACGGGGCACCTCTCGGTTCAGGAAGAACTTCCATCGCTCGGCTGTTGGACCGGAACCAGGATGCAACTGAGGACACTGACGTGCAGAACATGAGGTGGCTTCTTGCAGTTCTCCCTGTAGACCCACGATACCAGCTGTCGGTTTTGTCAATGAAGTCCAGGCTCAGGCCCCCGGGCCCGATCATGGCCCCAGTCCGCACAGAGCGCCCGGCCCTGGCCGGTGTGGACAGAACTGGGGGCAAAAACAAAAAAGAAGGAAGGAAGGAAAGAAAGAAATGGGTAT$

N在這里把所有的序列合成1行了，然后再輸出的，最后帶一個換行符。

到這里徹底放棄sed了，腦霧之后想起tr還可以用，于是又嘗試一下。

$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | tr -d '\n' | wc -c 
1575000

終于得到了正確答案！

但是為什么sed替換掉換行符，最后一個還留著呢？為什么不用標簽來寫script就一個也替換不掉呢？

因為（參考：http://yysfire.github.io/linux/sed-usage-summary.html 或者https://blog.csdn.net/u011729865/article/details/71773840）

sed 維護著兩個數(shù)據(jù)緩存區(qū)：模式空間和保留空間。兩者均被初始化為空。

sed 對輸入的每一行運行一次如下所述的執(zhí)行周期：首先，sed 從輸入流中讀入一行，并刪除行末的換行符，將此行的內(nèi)容放入模式空間。然后，腳本里的命令被執(zhí)行；可以對每一個命令指定地址（地址相當于一種條件，只有條件被滿足，才會執(zhí)行緊跟其后的命令。當?shù)竭_腳本的結(jié)尾，模式空間的內(nèi)容（如果之前行末的換行符被刪除，此時會被加回來）被寫入到輸出流（除非使用了選項'-n'）。然后，對下一行開始下一個執(zhí)行周期。

標簽的使用參考上述地址或者：http://blog.chinaunix.net/uid-20943515-id-403.html

man一下sed，發(fā)現(xiàn)有個-z選項，可以用空字符作為每行的分割

-z, --null-data

              separate lines by NUL characters
              
              
$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | sed -z 's/\n//g'| wc -c 
1575000

其實不糾結(jié)于sed，可以用awk來實現(xiàn)：

$ zcat SRR1039510_1.fastq.gz | sed -n '2~4p' | awk '{print $0}' ORS='' | wc -c
1575000