编译环境

   本系列文章所提供的算法均在以下环境下编译通过。

【脚本编译环境】Federa 8，linux 2.6.35.6-45.fc14.i686
【处理器】 Intel(R) Core(TM)2 Quad CPU Q9400 @ 2.66GHz
【内存】 2025272 kB

前言

    awk是脚本中出色的文本处理工具。源码好像也是用C语言写的。本系列会针对不同的案例，用awk来解决我们所要的问题。 为什么会用awk呢？我们当然可以使用C语言或者java语言来对文本做处理，但每次都要编译会令人发疯的。修改起来也麻烦，正所谓杀鸡焉用牛刀。而脚本的灵活便捷使得工作变得更加轻松容易。在shell脚本编程中，awk堪称瑞士军刀绝不为过。

    本系列文章均系笔者所写,难免有一些错误或者纰漏，如果小伙伴们有好的建议或者更好的算法，请不吝赐教。

正文

【场景】

   现在有两个文本a.txt, b.txt,里面包含的内容如下所示。现在要提取出b中匹配到a的信息，就是第一列基因名相同，第二列NM号也相同的信息，输出a文件的该行到C文件并加上一列“0”，如果b的文件存在a没有的NM号，则把该NM号加进去，并标识为1

   a.txt文本内容如下:

ABCC9 NM_005691.2 N
ABCC9 NM_020297.2 Y
ACE NM_000789.3 Y
ADD1 NM_001119.4 N
ADD1 NM_014189.3 Y

   b.txt文本内容如下:

ABCC9 NM_020297
ACE        NM_000789
ACER1        NM_133492
ACE2        NM_021804
ADD1 NM_001119.4 
ADD1 NM_014189.3 
ADD1 NM_014190.3 
ADD2 NM_001185055.1

   提取完之后，c.txt文本内容如下:

ABCC9 NM_020297 1
ACE        NM_000789 1
ACER1        NM_133492 1
ACE2        NM_021804 1
ADD1 NM_001119.4 N 0
ADD1 NM_014189.3 Y 0
ADD1 NM_014190.3  1
ADD2 NM_001185055.1  1

【代码】

# extract txt line from a.txt that also in b.txt
# grammer: awk -test.awk a.txt b.txt
{
   if(NR==FNR)
   {
      a[$1$2]=$0
      next
   }
   if($1$2 in a)
   {
      print a[$1$2]" 0"
   }
   else
   {
      print $0" 1"
   }
}

【解释】

   NR是工作中的记录数；FNR是当前输入文件的记录上。

   当输入一个文件时，NR和FNR输出是一样的；当输入2个以上文件时，NR和FNR输出是不一样的。例如：

# awk '{print NR,$0}' file1 file2
1 a b c d
2 a b d c
3 a c b d
4 aa bb cc dd
5 aa bb dd cc
6 aa cc bb dd

   # awk '{print FNR,$0}' file1 file2

1 a b c d
2 a b d c
3 a c b d
1 aa bb cc dd
2 aa bb dd cc
3 aa cc bb dd

   上面语句的意思是，当NR和FNR相等的时，即第一个文件的内容全部存储到a当中。底下两个判断，如果是遍历a，b文件中所有行，如果在a当中则输出一种格式，如果不在a当中则输出另外一种格式。

【测试】

作者

   出处：http://www.cnblogs.com/gina

   本文版权归作者所有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。