每 10000 个数字（不是行）拆分文件

Question

我有一个如下所示的文件：

chr19   61336212        +       0       0       CG      CGT    
chr19   61336213        -       0       0       CG      CGG    
chr19   61336218        +       0       0       CG      CGG    
chr19   61336219        -       0       0       CG      CGC    
chr19   61336268        +       0       0       CG      CGG    
chr19   61336269        -       0       0       CG      CGA    
chr19   61336402        +       0       0       CG      CGG    
chr19   61336403        -       0       0       CG      CGT    

我想为第二个字段的每 10000 个间隔（不是行，而是数字间隔）拆分此文件。因此，对于此文件，我想从第一行（带有 61336212 的行）拆分为具有或最多为 61346211（61336212+9999）的行，然后从 61346212 拆分为 61356211，依此类推。如您所见，第二个字段/列中的数字未“填充”。

有没有办法做到这一点？

Answer 1

awk 'NR==1 {n=$2}
     {
       file = sprintf("file.%.4d", ($2-n)/10000)
       if (file != last_file) {
         close(last_file)
         last_file = file
       }
       print > file
     }'

会写file.0000，file.0001...（数量是int(($2-n)/10000)其中n的$2第一个行）。

请注意，一旦我们停止写入文件，我们就会关闭文件，否则，您将在几百个文件后达到同时打开文件的数量限制（GNUawk可以解决该限制，但性能会迅速下降）。

我们假设这些数字总是在上升。

Answer 2

破解单行版。不过，也许比这个论坛更适合Code Golf。这将生成 split1、split2、split3 等作为文件名。

awk '{if($2>b+9999){a++;b=$2}print >"split" a}' file.txt

要具有名为 split001、split002、split003 的输出文件，需要额外的sprintf：

awk '{if($2>b+9999){a++;b=$2}print >sprintf("split%03d",a)}' file.txt

为避免@Stéphane Chazelas 发现的 gawk 减速问题，请使用 perl：

perl -ne '(undef,$a)=split(/\s+/,$_);if($a>$b+9999){$c++;$b=$a}open(D,sprintf(">>ysplit%03d",$c));print D' <file.txt