带有 ID 数组的单个 zcat 多个提取

Question

我有很多 GB+ 大小的 gz 档案，由于磁盘 space 的原因我无法解压。每个档案都有一个特定的标识号（例如test365.gz）和这样的结构：

         1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM
      1 C1          5.7064    -2.3998   -12.0246 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000099999999
@<TRIPOS>MOLECULE
 ZINC000099999999      none
@<TRIPOS>ATOM
      1 C1         -2.0084    -5.2055   -12.9609 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077402345
@<TRIPOS>MOLECULE
 ZINC000077402345     none
@<TRIPOS>ATOM
      1 C1          6.5657    -1.5531   -15.3414 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM
      1 C1          3.6696    -1.8305   -14.6766 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000012345678
@<TRIPOS>MOLECULE
 ZINC000012345678      none
@<TRIPOS>ATOM
      1 C1          4.5368    -0.8182   -17.4314 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407100
@<TRIPOS>MOLECULE
 ZINC000077407100      none
@<TRIPOS>ATOM
      1 C1          1.4756    -2.2562   -14.0852 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM
      1 C1          6.1712    -0.8991   -16.4096 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM

###### 定义块之间的行数是可变的。

我有 ZINC 实体 + 目标存档的标识符列表：

test365/    ZINC000077407198
test227/    ZINC000009100000
test365/    ZINC000077407100
...

目前我是：

zcat test365.gz | sed -n '/##########                 Name:     ZINC000077407100/,/##########                 Name:/p' > ZINC000077407100.out

我得到：

##########                 Name:     ZINC000077407100
@<TRIPOS>MOLECULE
 ZINC000077407100      none
@<TRIPOS>ATOM
      1 C1          1.4756    -2.2562   -14.0852 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198

效果很好。如果 ZINC000077407100 有 N 个块，我会在 zcat 上提取 N 个块，并且不介意以 #####.

开头的行

问题是我需要为 N 个标识符读取存档 N 次/ZINC_NUMBER 我想要有关的信息。而且我要提取成千上万的东西需要很多时间。

所以我想找到一种方法来传递一个数组或标识符列表/ZINC_NUMBER，以根据数组/列表中的标识符将 zcat 读数输出到几个不同的文件。

换句话说，我想使用 zcat 进行单次读取并提取一组标识符的数据，而不仅仅是一个。

感谢您的帮助！

Answer 1

似乎每个以 ########## 开头的条目总是 6 行。在那种情况下，使用 grep -A7 而不是 sed -n /##.../,/##.../p 会更容易和更有效。我想您只打印了后续的 header，因为这样更容易（至少在使用 sed 时）。因此，我在这个答案中排除了后续的 header（grep -A6 而不是 grep -A7）。

grep 可以给出要搜索的模式列表。这是通过 -f 选项完成的。模式列表可以从您的文件中生成。首先按存档名称分组（例如 test365），然后打印该存档的所有模式。这里我们使用 awk 来做到这一点。空字节分隔每个存档的模式部分。

为了防止误报（并可能加快搜索速度），我们只搜索完整的行而不是子字符串。为了加快速度，我们设置 LC_ALL=C。您可能还会发现 zgrep 比 zcat | grep.

快

以下脚本最多解压每个档案一次。

awk -v prefix='##########                 Name:     ' '
  {a[]=a[] "\n" prefix }
  END {for (k in a) print k a[k] "[=10=]"}
' /path/to/your/list.txt |
while IFS=$'\n' read -r -d '' archive patterns; do
  LC_ALL=C zgrep -A6 -Fxf <(printf %s "$patterns") "${archive/\//.gz}"
  # TODO do something with the output for this archive
done

在上面的脚本中，我将 test365/ 从您的列表自动转换为 test365.gz。我不知道你的目录结构。如果您需要不同的东西，请修改 zgrep 的最后一个参数。 $archive 遍历您的 (grouped) 列表的第一列（也就是说，每个档案仅列出一次）。

从您的示例代码来看，您似乎想要为每个模式生成一个单独的文件。为此，将上面的循环 body 替换为

zgrep ... > /tmp/zincfound
while IFS= read -r pattern; do
    grep -A6 -Fx "$pattern" /tmp/zincfound > "${pattern##* }.out" 
done <<< "$patterns"
rm /tmp/zincfound

Answer 2

每个 OP 的要求是处理大量数据（数百万行，数 GB 的数据，以及需要检索大约 100 个项目的数据）。技术上可以使用现代 bash，但这不太可能表现良好。一个更好的脚本引擎会在这里做得更好。

此处提供了可能的 bash/awk 解决方案。它将扫描每个引用的文件一次，并一次性提取所有选定的标签。请注意 'tags' 列表将被扫描多次，但暗示它的大小是合理的

#! /bin/bash -uex
TAGS=data.txt

file_list=$(awk '{ print  }' < $TAGS | sort -u)

for f in $file_list ;
do
        gz_name=${f%/}.gz
        zcat $gz_name | awk -v F=$f '
        # Remember tags to retrieve
!DATA &&  == F { tags[] = 1 }
        # OUT set to current output file, empty if item not selected
DATA &&  == "##########" &&  == "Name:" {
        OUT = tags[] ?  ".out" : "" ;
}
OUT { print >OUT }
' $TAGS DATA=1 -
done

不用说，可以用 Python、Perl、Javascript 或您喜欢的文本处理工具编写上述 5 行 awk 作业。使用示例数据集进行测试。

带有 ID 数组的单个 zcat 多个提取

Single zcat multiple extracts with IDs arrays

python

bash

zcat