Question

我用几乎九百行来用数字排序文件。对于其他命令

tr '\r' '\n' < myfile.txt | sort

或

tr '\r' '\n' < myfile.txt | sort -n

似乎可以解决问题，但对我来说，我没有得到我想要的输出（只有两百行）。我可以看到所有重复的数字都丢失在我的Mac上，我得到终端错误“tr：非法字节序列”。

我做错了什么，为什么我不知道如何保存文件？它可以与具有空白列的文件有关吗？

文件在这里： dropbox.com/s/umzx64c5ix90l3y/Proteins.txt?dl=0

EDIT /澄清：

当我以数字方式对所有行进行排序时，我需要以某种方式组合具有相同数字的行，以便将新信息添加到上面的行。比如没有61的行：

Col   1     2      3     4       5       6         7         8      9   10    11
     61 PTS...  cyt   1bl..   0,38  MONOMER homo-trimer FRUC... PER...Bac..
     61 PTS...                                                                 3

变为：

Col   1     2      3     4       5       6         7         8      9   10    11
     61 PTS...  cyt   1bl..   0,38  MONOMER homo-trimer FRUC... PER...Bac..   3

如果两条线中都有重叠的信息，我需要保留上一行的信息。

谢谢：）

Answer 1

您的文件未正确使用UTF-8编码，而您的语言环境肯定设置为UTF-8。第195行包含（无效序列标有<HEX>）：

1945    comM    protection against fracitins/bacteriocins (found by comparison to spr genome according to H<CE>varstein 2006)   integral membrane protein (H<CE>varstein)   no model

找出编码是什么，然后将文件转换为正确的编码或将语言环境更改为容纳。只需尝试

env LC_ALL=C tr '\r' '\n' < Proteins.txt | sort -n

似乎对我有用，给出1021行。

Answer 2

我在MAC上。我从tr和sed再现了问题illegal byte sequence。它是在OS X上设置的语言环境，或者我应该说“未设置”。输入locale命令，您将看到我的意思。这些是在终端应用程序设置中设置的，或者您可以自己完成。

许多应用程序的默认语言环境可以是C或POSIX，基本上是ASCII。

所以我这样做了：

LC_ALL=C tr '\r' '\n' < myfile.txt | sort -n

这似乎没问题。

您可能希望添加：

export LC_ALL=C

到.bash_profile，而不是更改终端设置。

数字排序，但保持重复

2 个答案: