bash - zgrep 不会像 grep 那样停止脚本

Question

我是 Bash 脚本的新手，我正在尝试让这个脚本逐行读取文件 a.txt.gz 并检查该行的第二个值是否也存在于 b.txt.gz 文件中

我不知道为什么 zgrep 不会结束脚本，在读取 a.txt.gz 后它卡在闪烁的指针上

这是代码(测试)

zcat /home/tdq/Bash/a.txt.gz | while read p0 p1
do
if zgrep -q -e "[A-Za-z0-9=;._|()\t]*${p1}[A-Za-z0-9=;._|()\t]*" /home/tdq/Bash/b.txt.gz; then
    echo "FOUND"
fi

我运行 time ./test 的结果与我预期的一样，但脚本不会结束，这是输出

FOUND
FOUND
FOUND

我尝试使用 grep，而不是 FOUND，但它可以结束脚本。

zcat /home/tdq/Bash/a.txt.gz | while read p0 p1
do
    if grep -q -e "[A-Za-z0-9=;._|()\t]*${p1}[A-Za-z0-9=;._|()\t]*" /home/tdq/Bash/b.txt.gz; then
        echo "FOUND"
    fi
done

我运行 time ./test 的结果

real    0m9.361s
user    0m6.660s
sys 0m2.196s
tdq@td:~/bash$

谁能帮帮我，非常感谢

a.txt.gz(制表符分开)

1   rs367896724
2   rs540431307
3   rs555500075
4   rs548419688

b.txt.gz(制表符分开)

1   10177   rs367896724 A   AC  100 PASS    AC=2130;AF=0.425319;AN=5008;NS=2504;DP=103152;EAS_AF=0.3363;AMR_AF=0.3602;AFR_AF=0.4909;EUR_AF=0.4056;SAS_AF=0.4949;AA=|||unknown(NO_COVERAGE);VT=INDEL GT  1|0 0|1 0|1
2   10177   rs540431307 A   AC  100 PASS    AC=2130;AF=0.425319;AN=5008;NS=2504;DP=103152;EAS_AF=0.3363;AMR_AF=0.3602;AFR_AF=0.4909;EUR_AF=0.4056;SAS_AF=0.4949;AA=|||unknown(NO_COVERAGE);VT=INDEL GT  1|0 0|1 0|1
3   10177   rs555500075 A   AC  100 PASS    AC=2130;AF=0.425319;AN=5008;NS=2504;DP=103152;EAS_AF=0.3363;AMR_AF=0.3602;AFR_AF=0.4909;EUR_AF=0.4056;SAS_AF=0.4949;AA=|||unknown(NO_COVERAGE);VT=INDEL GT  1|0 0|1 0|1
4   10177   rs548419688 A   AC  100 PASS    AC=2130;AF=0.425319;AN=5008;NS=2504;DP=103152;EAS_AF=0.3363;AMR_AF=0.3602;AFR_AF=0.4909;EUR_AF=0.4056;SAS_AF=0.4949;AA=|||unknown(NO_COVERAGE);VT=INDEL GT  1|0 0|1 0|1

基本上，我必须在 a.txt.gz 和 b.txt.gz 中检查 rsxxxxx 是否匹配

c.txt.gz

10084625    rs123
10026407    rs456

d.txt.gz(这是原始文件)

514786698   10084625    491891820   4   12951   0.986   562 421
5221808     495944      1573768     4   664     0.261062   59   2
539535670   10026407    556933170   3   \N  \N  \N  \N

输出文件 (c.txt.gz + d.txt.gz = e.txt.gz)

514786698   10084625    491891820   4   12951   0.986   562 421
5221808 \N  \N  \N  \N
539535670   10026407    556933170   3   \N  \N  \N  \N

预期的输出文件 (c.txt.gz + d.txt.gz = e.txt.gz)

514786698   10084625    491891820   4   12951   0.986   562 421
539535670   10026407    556933170   3   \N  \N  \N  \N

所以它在 d.txt.gz 中写下了不在 c.txt.gz 中的那一行(第二行 - 495944)

Answer 1

使用 awk 和进程替换:

$ awk 'NR==FNR{a[$2];next}($3 in a){print "FOUND"}' <(zcat a.txt.gz ) <(zcat b.txt.gz)
FOUND
FOUND
FOUND
FOUND

awk '
NR==FNR {                            # first file hash to a on second field
    a[$2]
    next }                           # next record
($3 in a){                           # second file
    print "FOUND" }                  # print FOUND when found (more informative?)
' <(zcat a.txt.gz ) <(zcat b.txt.gz) # uncompress and use process substitution 

对于您编辑的数据和预期输出:

$ awk '
NR==FNR{ a[$1]; next }          # hash the first file, use $1 field as key
($2 in a)                       # second file, if $2 field value is found in a, 
                                # ($2 in a) evaluates to true 
                                # which initiates implicit printing of the record
' <(zcat c.txt.gz ) <(zcat d.txt.gz)

514786698   10084625    491891820   4   12951   0.986   562 421
539535670   10026407    556933170   3   \N  \N  \N  \N