awk实现两文件的lookup

简介

awk 命令可以同时传入两个文件，这使得利用一个文件构建键值对，再用另一个文件的键进行索引。这有些类似于 look up，但更类似于 数据补全：列操作

情景

文件 A：

AT1G01010.1     1688
AT1G01020.1     3832
AT1G01020.2     1319
AT1G01020.3     560
AT1G01020.4     1532
AT1G01020.5     96
AT1G01020.6     144
AT1G01030.1     1525
AT1G01030.2     2216
AT1G01040.1     10733

文件 B：

AT1G01010       NAC001  3631-5899
AT1G01020       ARV1    6788-9130
AT1G01030       NGA3    11649-13714
AT1G01040       DCL1    23121-31227
AT1G01050       PPa1    31170-33171
AT1G01060       LHY     33365-37871
AT1G01070       UMAMIT28        38444-41017
AT1G01080       AT1G01080       44970-47059
AT1G01090       PDH-E1 ALPHA    47234-49304
AT1G01100       AT1G01100       49909-51210

需求：按基因 ID，将文件 B 中的基因名（2）和基因位置（\3）匹配至文件 A 中

实现

使用 awk 命令，编写 awk 脚本如下

BEGIN {                                 # begin块：用于初始化输入输出分隔符
	FS = "\t"
	OSF = "\t"
}
NR == FNR {                             # 匹配条件：行号 == 当前处理总行数，即处理第一个文件时执行
	geneName[$1] = $2                   # 基因ID为键，基因名为值
	geneLocation[$1] = $3               # 基因ID为键，基因位置为值
	next                                # 注意！awk的默认行为是打印，使用next跳过打印行为
}
{                                       # 匹配条件：行号 != 当前处理总行数，即处理第二个文件时执行
	split($1, arr, ".")                 # 拆分转录本ID
	geneID = arr[1]                     # 取前缀
	print($0, genName[geneID], geneLocation[geneID])            # 输出整行与匹配的值
}

awk -f script.awk fileB fileA # 注意传入文档的顺序，先建立关联数组再进行索引