我有一个包含 9 列的大文件，以制表符分隔。这个文件大约有 39MB，大约有 250,000 行。最后一列，第 9 列，有这样的信息（请注意，这都是一列 - 其中的空格并不表示新列，而只是该列中的“数据”）
TF_binding_site_cage_181208 ZNFN1A2-91741 ;ALIAS ZNFN1A2 ;L3_ID L3_chrX_+_149850517
TF_binding_site_cage_181208 ZNFN1A2-92447 ;ALIAS ZNFN1A2 ;L3_ID L3_chrX_-_153016326
TF_binding_site_cage_181208 ZNFN1A2-92446 ;ALIAS ZNFN1A2 ;L3_ID L3_chrX_-_153016326
TF_binding_site_cage_181208 ZNFN1A2-92445 ;ALIAS ZNFN1A2 ;L3_ID L3_chrX_-_153016326
TF_binding_site_cage_181208 SNAI1-3-177789 ;ALIAS SNAI1,SNAI2,SNAI3 ;L3_ID L3_chr1_+_52294530
TF_binding_site_cage_181208 SNAI1-3-178434 ;ALIAS SNAI1,SNAI2,SNAI3 ;L3_ID L3_chr1_-_52294717
TF_binding_site_cage_181208 SNAI1-3-178161 ;ALIAS SNAI1,SNAI2,SNAI3 ;L3_ID L3_chr1_-_52604408
TF_binding_site_cage_181208 SNAI1-3-177489 ;ALIAS SNAI1,SNAI2,SNAI3 ;L3_ID L3_chr1_-_52936367
TF_binding_site_cage_181208 MEF2A,C,D-173519 ;ALIAS MEF2A,MEF2C,MEF2D ;L3_ID L3_chr8_+_144711658
TF_binding_site_cage_181208 MEF2A,C,D-173496 ;ALIAS MEF2A,MEF2C,MEF2D ;L3_ID L3_chr8_-_145085726
TF_binding_site_cage_181208 MEF2A,C,D-172831 ;ALIAS MEF2A,MEF2C,MEF2D ;L3_ID L3_chr8_+_145136211
TF_binding_site_cage_181208 MEF2A,C,D-173254 ;ALIAS MEF2A,MEF2C,MEF2D ;L3_ID L3_chr9_+_696759
基本上，我正在寻找仅包含“MEF2*”的行，因此在上面的示例中，它只会选择最后 4 行。我还想要整行，而不仅仅是这一列。
我试过 awk-ing 这个，导入到 Excel，导入到 R 但有时我的方法有效，但恐怕我无法“检查”我是否得到了所有的行。（其中带有 MEF2 的行跨越几千行，因此很难手动计算）。
有人能想出一种算法来帮助我在没有（非常小的）误差范围内提取这些行吗？我知道这似乎是一件基本的事情，但恐怕我的正则表达式技能不够强大，无法提取所有行。
这将为您提供第 9 列匹配的所有行MEF2：
awk -F"\t" '$9~/MEF2/' file > output
假设您的文件始终以制表符分隔，这将起作用并且您可以安全地休息。这与您所获得的误差幅度一样接近 0。
但是，如果您尝试导入到 R 之类的东西（大概是使用read.table("file",sep="\t")）但没有奏效，那么您可能会有一些字段数不同的行（有关如何检查，请参见末尾）。如果是这样，假设您始终对最后一个字段感兴趣，则可以使用$(NF)inawk打印最后一个字段，无论有多少个字段：
awk -F"\t" '$(NF)~/MEF2/' file > output
如果你仍然觉得需要检查，你可以简单地提取所有匹配的行MEF2，不管匹配在哪里，然后比较结果：
grep MEF2 file > output2
一旦你有了它，你就可以wc用来检查它们是否有相同的行数。如果没有，请通过运行找到它们的不同之处
grep -vFf output output2
该命令将打印 output2 中 output1 中不存在的任何行。如果有的话，很可能他们会MEF2在行中的某个地方，但不在第 9 个字段中。如果它在第 9 个字段中，那么您就知道您的文件不是制表符分隔的，并且您的数据有问题。
在awk上面大概是最简单的解决方案，但这里有一些其他人做同样的事情：
珀尔
perl -F"\t" -lane '$F[8]=~/MEF2/ && print' file
sed （如果您有 9 个以上的字段，这可能会匹配错误的行）
sed -n '/\t.*\t.*\t.*\t.*\t.*\t.*\t.*\t.*MEF2.*/p' file
grep
grep -P '^.+?\t.*\t.*\t.*\t.*\t.*\t.*\t.*\t.*MEF2.*' file
如果这些都没有产生相同的输出，您就知道您的文件存在问题。您可以检查的另一件事是确保所有行都有 9 个字段。如果他们不这样做，你就知道有一个问题：
awk -F"\t" 'NF!=9' file
以上将打印所有不具有 9 个制表符分隔字段的行。如果有输出，它打印的行有问题。