如何在Awk中使用变量精确匹配tax-id获取对应科学名称

最优命令方案（一步完成，无需多管道） #

直接用Awk一次性完成过滤、精确匹配和格式调整，省去cat/grep/cut这类多余的管道操作：

# 先设置目标tax-id变量
id=10090

# 执行Awk命令处理names.dmp
awk -v target_id="$id" -F'|' '
  # 定义trim函数：去除字符串前后的空白字符
  function trim(str) {
    gsub(/^[[:space:]]+|[[:space:]]+$/, "", str)
    return str
  }
  # 匹配条件：1. 去除空格后的tax-id完全等于目标id；2. 名称类型是"scientific name"
  trim($1) == target_id && trim($4) == "scientific name" {
    # 格式化输出：去除两个字段的空格后用" | "连接
    print trim($1) " | " trim($2)
  }
' names.dmp

命令细节解释 #

1. -v target_id="$id"：把shell中定义的id变量传递给Awk内部变量，实现动态指定匹配目标
2. -F'|'：指定names.dmp的字段分隔符为|（NCBI分类学文件的标准分隔规则）
3. trim()函数：专门处理字段前后的冗余空格，避免原始文件的空格干扰匹配逻辑和输出格式
4. 精确匹配逻辑：
   • trim($1) == target_id：严格匹配tax-id，彻底排除210090、100904这类包含目标id的无关条目
   • trim($4) == "scientific name"：只筛选科学名称类型的条目
5. 输出处理：将两个字段的空格清理后用|连接，得到干净的目标格式

效果验证 #

假设names.dmp中有以下输入行：

10090    |   Mus musculus    |   |   scientific name    |
210090    |   Example Species    |   |   scientific name    |
100904    |   Another Species    |   |   scientific name    |

执行命令后会输出：

10090 | Mus musculus

简化版（不定义函数） #

如果觉得函数写法繁琐，也可以用正则直接处理空格，效果一致：

id=10090
awk -v id="$id" -F'|' '$4 ~ /scientific name/ && $1 ~ /^[[:space:]]*'$id'[[:space:]]*$/ {
  gsub(/[[:space:]]+/, " ", $1 " | " $2)
  print
}' names.dmp

内容的提问来源于stack exchange，提问作者chan-98