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.genelistB.genelistC.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.genelistB.genelistC.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。

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
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