awk - 使用grep或awk匹配文本

Question

我在grep和awk方面遇到问题。我认为这是因为我的输入文件包含的文本看起来像代码。

输入文件包含ID名称，如下所示：

SNORD115-40
MIR432
RNU6-2

参考文件如下所示：

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

我想将源文件中的ID名称与参考文件进行匹配，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

我试过这个循环：

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

我也尝试使用awk玩参考文件

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

但我只能得到grep的ID之一。

任何建议或更简便的方法都可以。

Answer 1

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

fgrep等效于 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，则这可能会产生误报。您可以使用 grep即时为 sed构建更确定的模式：

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

但是通过这种方式，模式被解释为正则表达式，而不是固定字符串，这很容易受到攻击（尽管如果ID仅包含字母数字字符，则可以确定）。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.

因此，您的问题的最终答案是：

grep -Fwf source.file reference.file