Question

我正在尝试从文件genome.gff中提取包含来自文件suspicious.txt的行的行。 suspicious.txt来自genome.gff，每一行都应匹配。

在suspicious.txt的一行中使用grep按预期工作：

grep 'gene10002' genome.gff
NC_007082.3 Gnomon  gene    1269632 1273520 .   +   .   ID=gene10002;Dbxref=BEEBASE:GB54789,GeneID:409846;Name=bur;gbkey=Gene;gene=bur;gene_biotype=protein_coding
NC_007082.3 Gnomon  mRNA    1269632 1273520 .   +   .   ID=rna21310;Parent=gene10002;Dbxref=GeneID:409846,Genbank:XM_393336.5,BEEBASE:GB54789;Name=XM_393336.5;gbkey=mRNA;gene=bur;product=burgundy;transcript_id=XM_393336.5

但是，从我能够在线或在线查找的文件中使用grep的每个变体都不会产生输出或空文件：

grep -f suspicious.txt genome.gff
grep -F -f suspicious.txt genome.gff
while read line; do grep "$line" genome.gff; done<suspicious.txt
while read line; do grep '$line' genome.gff; done<suspicious.txt
while read line; do grep "${line}" genome.gff; done<suspicious.txt
cat suspicious.txt | while read line; do grep '$line' genome.gff; done
cat suspicious.txt | while read line; do grep '$line' genome.gff >> suspicious.gff; done
cat suspicious.txt | while read line; do grep -e "${line}" genome.gff >> suspicious.gff; done
cat "$(cat suspicious_bee_geneIDs_test.txt)" | while read line; do grep -e "${line}" genome.gff >> suspicious.gff; done

将其作为脚本运行也会产生一个空文件：

#!/bin/bash
SUSP=$1
GFF=$2

while read -r line; do
        grep -e "${line}" $GFF >> suspicious_bee_genes.gff
done<$SUSP

这就是文件的样子：

head genome.gff
##gff-version 3
#!gff-spec-version 1.21
#!processor NCBI annotwriter
#!genome-build Amel_4.5
#!genome-build-accession NCBI_Assembly:GCF_000002195.4
##sequence-region NC_007070.3 1 29893408
##species http://www.ncbi.nlm.nih.gov/Taxonomy/Browser/wwwtax.cgi?id=7460
NC_007070.3 RefSeq  region  1   29893408    .   +   .       ID=id0;Dbxref=taxon:7460;Name=LG1;gbkey=Src;genome=chromosome;linkage-    group=LG1;mol_type=genomic DNA;strain=DH4
NC_007070.3 Gnomon  gene    181 211962  .   -   .   ID=gene0;Dbxref=BEEBASE:GB42164,GeneID:726912;Name=cort;gbkey=Gene;gene=cort;gene_biotype=protein_coding
NC_007070.3 Gnomon  mRNA    181 71559   .   -   .   ID=rna0;Parent=gene0;Dbxref=GeneID:726912,Genbank:XM_006557348.1,BEEBASE:GB42164;Name=XM_006557348.1;gbkey=mRNA;gene=cort;product=cortex%2C transcript variant X2;transcript_id=XM_006557348.1

wc -l genome.gff
457742

head suspicious.txt
gene10002
gene1001
gene1003
gene10038
gene10048
gene10088
gene10132
gene10134
gene10181
gene10209

wc -l suspicious.txt
928

有谁知道这里出了什么问题？

Answer 1

当输入文件为DOS格式时会发生这种情况：每一行的末尾都会有一个尾随的CR字符，这会破坏匹配。

检查是否是这种情况的一种方法是使用new fragment()，例如（仅前几行）：

hexdump

在右边的ASCII表示中，注意每个基因后的$ hexdump -C suspicious.txt 00000000 67 65 6e 65 31 30 30 30 32 0d 0a 67 65 6e 65 31 |gene10002..gene1| 00000010 30 30 31 0d 0a 67 65 6e 65 31 30 30 33 0d 0a 67 |001..gene1003..g| 00000020 65 6e 65 31 30 30 33 38 0d 0a 67 65 6e 65 31 30 |ene10038..gene10|。这些点对应..和0d。 0a是CR字符。

如果没有CR字符，输出应如下所示：

0d

在0d编辑器中查看DOS行结尾的另一种方法。如果您使用vi打开文件，状态行将显示vi，或者您可以运行ex命令[dos]使其告诉您文件格式（状态行将显示{ {1}}）。

您可以像这样删除CR字符：

:set ff?

或者您可以通过运行ex命令fileformat=dos在grep -f <(tr -d '\r' < suspicious.txt) genome.gff中删除，然后保存文件。还有其他命令行工具可以删除DOS行结束。

另一种可能性是，您可能有尾随空格而不是尾随CR字符。 vi的输出应该非常清楚。删除尾随空白字符后，:set ff=unix应按预期工作。

来自文件的Grep失败但grep与文件中的各个行有效

1 个答案: