awk - 使用 grep 或 awk 匹配文本

Question

我在使用 grep 和 awk 时遇到问题。我认为这是因为我的输入文件包含看起来像代码的文本。

输入文件包含 ID 名称，如下所示:

SNORD115-40
MIR432
RNU6-2

引用文件如下所示:

Ensembl Gene ID HGNC symbol
ENSG00000199537 SNORD115-40
ENSG00000207793 MIR432
ENSG00000266661
ENSG00000243133
ENSG00000207447 RNU6-2

我想将源文件中的 ID 名称与引用文件相匹配，并打印出相应的 ensg ID 号，以便输出文件如下所示:

ENSG00000199537 SNORD115-40
ENSG00000207793 MIR432
ENSG00000207447 RNU6-2

我尝试过这个循环:

exec < source.file
while read line
do
grep -w $line reference.file > outputfile
done

我还尝试过使用 awk 来处理引用文件

awk 'NF == 2 {print $0}' reference file
awk 'NF >2 {print $0}' reference file

但我只得到了 grep 的 ID 之一。

任何建议或更简单的方法都会很好。

Answer 1

$ fgrep -f source.file reference.file 
ENSG00000199537 SNORD115-40
ENSG00000207793 MIR432
ENSG00000207447 RNU6-2

fgrep 相当于 grep -F:

   -F, --fixed-strings
          Interpret  PATTERN  as  a  list  of  fixed strings, separated by
          newlines, any of which is to be matched.  (-F  is  specified  by
          POSIX.)

-f 选项用于从文件中获取PATTERN:

   -f FILE, --file=FILE
          Obtain  patterns  from  FILE,  one  per  line.   The  empty file
          contains zero patterns, and therefore matches nothing.   (-f  is
          specified by POSIX.)

如注释中所述，如果 reference.file 中的 ID 包含 source.file 中的 ID 作为子字符串，则可能会产生误报。您可以使用 sed 即时构建更明确的 grep 模式:

grep -f <( sed 's/.*/ &$/' input.file) reference.file

但是这样模式会被解释为正则表达式，而不是固定字符串，这可能容易受到攻击(尽管如果 ID 仅包含字母数字字符，则可能没问题)。不过，更好的方法(感谢@sidharthcnadhan)是使用 -w 选项:

   -w, --word-regexp
          Select  only  those  lines  containing  matches  that form whole
          words.  The test is that the matching substring must  either  be
          at  the  beginning  of  the  line,  or  preceded  by  a non-word
          constituent character.  Similarly, it must be either at the  end
          of  the  line  or  followed by a non-word constituent character.
          Word-constituent  characters  are  letters,  digits,   and   the
          underscore.

所以你的问题的最终答案是:

grep -Fwf source.file reference.file