批量 grep 但根据第一个输入文件对结果进行排序

Question

我有一个文件（称为 fileA），其中包含重复的单列标识符。看起来像这样：

GO:0005515
GO:0005737
GO:0005875
GO:0005884
GO:0005200
GO:0005524
GO:0005737
...

我有另一个包含两列的文件（称之为 fileB），第一列有标识符，另一列有关联的文本。看起来像这样：

GO:0000001 线粒体遗传
GO:0000002 线粒体基因组维护
GO:0000003 复制
GO:0000006 高亲和力锌摄取跨膜转运蛋白 activity
GO:0000007 低亲和力锌离子跨膜转运蛋白 activity
GO:0000009 α-1,6-甘露糖基转移酶 activity
GO:0000010 反式六戊二烯转移酶 activity
GO:0000011 液泡遗传
...

我想用 fileA 中的标识符进行 grep，以从 fileB 中获取具有标识符和描述的匹配行，并将其输出到另一个 fileC 中，其顺序与 fileA 相同，而不是 fileB，同时保留重复项。

我尝试了几种不同的方法：

fgrep -f fileA fileB > fileC

这不起作用，因为文件 C 中的顺序是文件 B 的顺序，而不是文件 A。

`FileA` 中的名称
做
        grep "$name" 文件 B >> 文件 C
完成

这应该可以，但输出是：

GO:0005515 蛋白质结合
GO:0005737 细胞质
GO:0005737 细胞质
GO:0005737 细胞质
GO:0005737 细胞质
GO:0005737 细胞质
GO:0016301 激酶 activity
GO:0005525 GTP 绑定
GO:0005737 细胞质
GO:0016021 膜的组成部分
...

它们也不符合文件A的顺序（除了前两个）。

有什么想法吗？

Answer 1

试试这个 awk 单行代码，输出应该按照文件 A 的顺序。

awk 'NR==FNR{b[]=[=10=];next} in b{print b[]}' fileB fileA

如果您的 fileB 中的两列被 <tab> 分隔，请在 awk 之后添加 -F'\t 因此：

awk -F'\t' 'NR==FNR......`

添加测试

kent$  head fa fb
==> fa <==
GO:0005515
GO:0005737
GO:0005875
GO:0005884
GO:0005200
GO:0005524
GO:0005737

==> fb <==
GO:0005875 #3
fooo
GO:0005515 #1
fooo
GO:0005737 #2
fooo
GO:0005884 #4
fooo

kent$  awk 'NR==FNR{b[]=[=12=];next} in b{print b[]}' fb fa 
GO:0005515 #1
GO:0005737 #2
GO:0005875 #3
GO:0005884 #4
GO:0005737 #2

你可以看到，输出保留了重复项并遵循文件 A (fa)

中的标识符顺序

Answer 2

经过多次挫折后，事实证明本例中的文件 A 具有 Windows 格式（不是最初认为的文件 B）。

尽管文件 A 是在 UNIX 系统上生成的，但它是由最初由程序 Blast2GO 在 Windows 机器上生成的文件生成的。这就是为什么它没有早点被发现的原因。

我使用以下命令删除回车符 returns:

sed -i 's/\r$//' fileA

...然后是原始 post 中建议的循环和第一个答案中提供的脚本。

批量 grep 但根据第一个输入文件对结果进行排序

Mass grep but sorting results based on first input file

unix

grep

添加测试