不要轻易尝试用wc|不要轻易尝试用wc -l统计Windows系统出产文件的滋味
????不知不觉又鸽了这么久,嗨呀真是毫无愧疚感~连天数都懒得统计了呢!
????昨天在做文件拆分时遇到了一个大坑,想想一定要记下来,以防以后我或者跟我遇到一样问题的小伙伴再掉进去。【不喜废话小伙伴请直接跳到结论】
????事情其实很简单,我有一个总文件all.genelist
,里面包含了三个物种的所有注释出来的基因家族对应的转录本号,在做分组注释时为了提高效率,我决定把三个物种的转录本号分别拆出来,也就是:A.genelist
、B.genelist
、C.genelist
。
????总文件大概长这样:
#all.genelist
Gene1A_trans000001
Gene2A_trans000002
...
GeneNA_trans[0-9]{6}
Gene1B_trans000001
Gene2B_trans000002
...
GeneNB_trans[0-9]{6}
Gene1C_trans000001
Gene2C_trans000002
...
GeneNC_trans[0-9]{6}
????当然,真实的对应关系没有这么整齐,我恨不得它整齐一点。
????不过因为物种的转录本号前缀不一样,使用
grep
很轻松就将它们分开了。$ grep 'A_trans' all.genelist > A.genelist
????没错,就是这么简单粗暴,由于过于简单粗暴,qiang细po心zheng的我手贱地检查了一下输入和输出文件的行数,结果粗大事了!
????当时的情况是这样的:
$ wc -l ./*.genelist
326973all.genelist
115305A.genelist
107285B.genelist
104384C.genelist
????如果我那不及格的高数水平够用的话,
A.genelist
、B.genelist
、C.genelist
三个输出文件的行数总和应该是326974
,比all.genelist
的行数326973
多了一行,这是为什么呢?原文件里应该是只包含这三个物种的信息啊,再也没有多余的行了。????我的第一反应是
grep
命令太过简单粗暴,拆分过程出了什么错,于是尝试用awk
指令又重新拆了一遍。$ awk '$2~/^A_trans[0-9]{6}$/{print $0}' all.genelist > A.genelist
????可是结果是一样的,在
wc -l
后原文件依然比三个输出文件行数总和少一行,不死心的我又用sed
的正则对结果进行检查,看是否有两行连在了一起被分在了一起。$ awk '{print $2}' all.genelist | sed 's/_trans[0-9]\{6\}//g' | sort | uniq
A
B
C
????输出结果证明我的第二列都是整齐的,第一列同理检查也是整齐的,那么问题来了,多出来的一行究竟在哪里呢?
????我向师兄求助,师兄抛出行数出问题万金油大法:删除空行。
????不对啊,是输出文件行数多了,删除什么空行?但我还是抱着试试看的态度去删了一下原文件的空行。因为这个文件是从Windows系统出品,虽然用
dos2unix
处理过,心里还是不踏实——结果,奇怪的事发生了。$ grep -v '^$' all.genelist > all.filtered.genelist
$ wc -l *.genelist
326973all.genelist
326974all.filtered.genelist
115305A.genelist
107285B.genelist
104384C.genelist
????看到这个统计结果时,我整个人都凌乱了。明明执行的是删除空行操作,怎么输出的文件比原文件还多了一行?从逻辑上完全说不通。
????不过,这样看来,问题倒是解决了,原来是原文件少统计了一行,我回到Windows系统用Excel打开,确认之前是统计出错了。可是为什么统计会出错?我又寄希望于师兄。
????师兄:难道你也是处女座?
????也?等等,师兄是不是暴露了什么……
????不开玩笑了,最后经过我多方查证,本以为是
dos2unix
的问题,它在转换格式的过程中做了什么不可描述的事,没想到是wc -l
的锅,它只以\n
作为行结束符统计行数,所以最后一行如果没有\n
的话会统计丢失。????Windows系统产生的文件末尾经常无
\n
,而是直接用了文件结束符EOF
。这样文件使用Linux平台的wc
统计就会少一行,这个问题不论用管道符还是dos2unix
都无法解决。只有用vi
编辑器或grep
一类行处理命令会自动给它加上\n
,所以以后,不要轻易尝试用wc -l统计Windows系统出产文件的滋味!????但对于正在学习期的我来说,这样的错误能够一次性锻炼文本处理三剑客的正则表达式,还是挺值得的,就是有点耽误课题进度。
文章图片
最后,想给Windows这个BUG虐我千万遍的小婊砸发一个表情包
【不要轻易尝试用wc|不要轻易尝试用wc -l统计Windows系统出产文件的滋味】参考资料:https://blog.csdn.net/longshenlmj/article/details/42707919
推荐阅读
- 这辈子我们都不要再联系了
- 不要和满身负能量的人交朋友
- 日更82/365珍视生命中的每一刻
- 医生随笔(232)不要轻易得罪底层人
- 为了女儿,我尝试画画——DIY绘本之《一支铅笔的梦想》(绘画小白的第一篇作品)
- 我妈让我不要玩游戏多做点事
- 不要靠想象力做事
- 我不要任何人向我道歉
- 为什么我想要打破格局,变得不要脸
- 请不要强迫大学生打暑假工!