????不知不覺又鴿了這么久，嗨呀真是毫無愧疚感~連天數(shù)都懶得統(tǒng)計(jì)了呢！
????昨天在做文件拆分時(shí)遇到了一個(gè)大坑，想想一定要記下來，以防以后我或者跟我遇到一樣問題的小伙伴再掉進(jìn)去?！静幌矎U話小伙伴請(qǐng)直接跳到結(jié)論】
????事情其實(shí)很簡(jiǎn)單，我有一個(gè)總文件all.genelist，里面包含了三個(gè)物種的所有注釋出來的基因家族對(duì)應(yīng)的轉(zhuǎn)錄本號(hào)，在做分組注釋時(shí)為了提高效率，我決定把三個(gè)物種的轉(zhuǎn)錄本號(hào)分別拆出來，也就是：A.genelist、B.genelist、C.genelist。
????總文件大概長(zhǎng)這樣：
#all.genelist
Gene1 A_trans000001
Gene2 A_trans000002
...
GeneN A_trans[0-9]{6}
Gene1 B_trans000001
Gene2 B_trans000002
...
GeneN B_trans[0-9]{6}
Gene1 C_trans000001
Gene2 C_trans000002
...
GeneN C_trans[0-9]{6}
????當(dāng)然，真實(shí)的對(duì)應(yīng)關(guān)系沒有這么整齊，我恨不得它整齊一點(diǎn)。
????不過因?yàn)槲锓N的轉(zhuǎn)錄本號(hào)前綴不一樣，使用grep很輕松就將它們分開了。
$ grep 'A_trans' all.genelist > A.genelist
????沒錯(cuò)，就是這么簡(jiǎn)單粗暴，由于過于簡(jiǎn)單粗暴，qiang細(xì)po心zheng的我手賤地檢查了一下輸入和輸出文件的行數(shù)，結(jié)果粗大事了！
????當(dāng)時(shí)的情況是這樣的：
$ wc -l ./*.genelist
326973 all.genelist
115305 A.genelist
107285 B.genelist
104384 C.genelist
????如果我那不及格的高數(shù)水平夠用的話，A.genelist、B.genelist、C.genelist三個(gè)輸出文件的行數(shù)總和應(yīng)該是326974，比all.genelist的行數(shù)326973多了一行，這是為什么呢？原文件里應(yīng)該是只包含這三個(gè)物種的信息啊，再也沒有多余的行了。
????我的第一反應(yīng)是 grep命令太過簡(jiǎn)單粗暴，拆分過程出了什么錯(cuò)，于是嘗試用awk指令又重新拆了一遍。
$ awk '$2~/^A_trans[0-9]{6}$/{print $0}' all.genelist > A.genelist
????可是結(jié)果是一樣的，在wc -l后原文件依然比三個(gè)輸出文件行數(shù)總和少一行，不死心的我又用sed的正則對(duì)結(jié)果進(jìn)行檢查，看是否有兩行連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
????輸出結(jié)果證明我的第二列都是整齊的，第一列同理檢查也是整齊的，那么問題來了，多出來的一行究竟在哪里呢？
????我向師兄求助，師兄拋出行數(shù)出問題萬金油大法：刪除空行。
????不對(duì)啊，是輸出文件行數(shù)多了，刪除什么空行？但我還是抱著試試看的態(tài)度去刪了一下原文件的空行。因?yàn)檫@個(gè)文件是從Windows系統(tǒng)出品，雖然用dos2unix處理過，心里還是不踏實(shí)——結(jié)果，奇怪的事發(fā)生了。
$ grep -v '^$' all.genelist > all.filtered.genelist
$ wc -l *.genelist
326973 all.genelist
326974 all.filtered.genelist
115305 A.genelist
107285 B.genelist
104384 C.genelist
????看到這個(gè)統(tǒng)計(jì)結(jié)果時(shí)，我整個(gè)人都凌亂了。明明執(zhí)行的是刪除空行操作，怎么輸出的文件比原文件還多了一行？從邏輯上完全說不通。
????不過，這樣看來，問題倒是解決了，原來是原文件少統(tǒng)計(jì)了一行，我回到Windows系統(tǒng)用Excel打開，確認(rèn)之前是統(tǒng)計(jì)出錯(cuò)了?？墒菫槭裁唇y(tǒng)計(jì)會(huì)出錯(cuò)？我又寄希望于師兄。
????師兄：難道你也是處女座？
????也？等等，師兄是不是暴露了什么……
????不開玩笑了，最后經(jīng)過我多方查證，本以為是dos2unix的問題，它在轉(zhuǎn)換格式的過程中做了什么不可描述的事，沒想到是wc -l的鍋，它只以\n作為行結(jié)束符統(tǒng)計(jì)行數(shù)，所以最后一行如果沒有\n的話會(huì)統(tǒng)計(jì)丟失。
????Windows系統(tǒng)產(chǎn)生的文件末尾經(jīng)常無\n，而是直接用了文件結(jié)束符EOF。這樣文件使用Linux平臺(tái)的wc統(tǒng)計(jì)就會(huì)少一行，這個(gè)問題不論用管道符還是dos2unix都無法解決。只有用vi編輯器或grep一類行處理命令會(huì)自動(dòng)給它加上\n，所以以后，不要輕易嘗試用wc -l統(tǒng)計(jì)Windows系統(tǒng)出產(chǎn)文件的滋味！
????但對(duì)于正在學(xué)習(xí)期的我來說，這樣的錯(cuò)誤能夠一次性鍛煉文本處理三劍客的正則表達(dá)式，還是挺值得的，就是有點(diǎn)耽誤課題進(jìn)度。
參考資料：https://blog.csdn.net/longshenlmj/article/details/42707919
