Mass grep，但根据第一个输入文件对结果进行排序答案

【问题标题】：Mass grep but sorting results based on first input fileMass grep，但根据第一个输入文件对结果进行排序
【发布时间】：2015-01-22 13:24:33
【问题描述】：

我有一个包含重复项的单列标识符的文件（称为 fileA）。它看起来像这样：

转到：0005515
去：0005737
去：0005875
去：0005884
去：0005200
去：0005524
去：0005737
...

我有另一个文件（称为 fileB），它包含两列，第一列有标识符，另一列有关联的文本。它看起来像这样：

GO:0000001 线粒体继承
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活性
GO:0000007 低亲和力锌离子跨膜转运蛋白活性
GO:0000009 α-1,6-甘露糖基转移酶活性
GO:0000010 反式六戊二烯转移酶活性
GO:0000011 液泡继承
...

我想使用 fileA 中的标识符进行 grep，以从 fileB 中获取与标识符和描述匹配的行，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fileC中的顺序是fileB的顺序，而不是fileA的顺序。

对于 `FileA` 中的名称
做
        grep "$name" FileB >> FileC
完成

这应该可以，但输出是：

GO:0005515 蛋白结合
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 激酶活性
GO:0005525 GTP 绑定
GO:0005737 细胞质
GO:0016021 膜的整体组件
...

它们也不是文件 A 的顺序（除了前两个）。

有什么想法吗？

【问题讨论】：

标签： unix grep

【解决方案1】：

试试这个awk单行，输出应该按照fileA的顺序。

awk 'NR==FNR{b[$1]=$0;next}$1 in b{print b[$1]}' fileB fileA

如果您的fileB 中的两列由<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[$1]=$0;next}$1 in b{print b[$1]}' fb fa 
GO:0005515 #1
GO:0005737 #2
GO:0005875 #3
GO:0005884 #4
GO:0005737 #2

您可以看到，输出保留了 dups 并遵循 fileA 中的标识符顺序 (fa)

【讨论】：

不幸的是，这两个似乎都按照在原始帖子中使用 bash 脚本观察到的顺序返回它，而不是按照文件 A 的顺序返回，并且只返回标识符，而不是标识符 + 描述。
@EKarl 我添加了一个测试，描述很简单，如 indexNo。显示顺序。检查你是否得到相同的输出。
我得到了你的测试用例的结果，但不是我的用例。我的一个文件，一个同时包含标识符和描述的文件，是在一台 Windows 机器上准备的，而 UNIX 处理是在一台 UNIX 机器上完成的。这可能是问题的一部分吗？
有一些像dos2unix这样的工具可以将dos/win格式转换为unix，例如换行符......你可以试试@EKarl

【解决方案2】：

经过一番挫折后，事实证明，这个示例中的 fileA 具有 Windows 格式（而不是最初认为的 fileB）。

虽然 fileA 是在 UNIX 系统上生成的，但它是由最初由 Windows 机器上的 Blast2GO 程序生成的文件生成的。这就是为什么它没有早点被抓到的原因。

我使用以下命令删除回车：

sed -i 's/\r$//' 文件A

...然后是原始帖子中建议的循环和第一个答案中提供的脚本。

【讨论】：