如何在R中生成含转义|的多匹配模式以实现并行grep？

问题背景 #

我需要在大型压缩文件中搜索匹配序列，通过R生成并行grep命令，初始代码如下：

genotype.phased="~/Desktop/test.txt.gz"
selected.chr.pos = c("NC761570.1_123", "NC761572.1_425634")
cmd = paste("gzcat ", genotype.phased, " | parallel -j8 --pipe --block 300M --cat grep -E ", 
     paste0("'",paste0(selected.chr.pos, collapse = "|"),"'"), "{}")
cmd

生成的命令无法正常工作，因为grep的多模式分隔符|需要转义为\|，手动修改可行但模式近200个，效率极低。

尝试用paste0(selected.chr.pos, collapse = "\|")生成转义分隔符时，R报错：

Error: '\|' is an unrecognized escape in character string starting ""\|"

无法添加转义符\。尝试将模式写入文件后用AWK处理，读回R得到的是\\|而非\|，仍无法使用。需要在R中生成带\|的匹配模式，用于system()执行终端并行搜索并返回结果到R。

解决方案 #

方法1：双反斜杠转义生成正确的\| #

在R的字符串中，反斜杠本身需要转义，因此要生成终端能识别的\|，需在R代码中写\\|：

genotype.phased="~/Desktop/test.txt.gz"
selected.chr.pos = c("NC761570.1_123", "NC761572.1_425634")
# 生成带转义分隔符的模式
pattern = paste0(selected.chr.pos, collapse = "\\|")
# 拼接完整命令
cmd = paste("gzcat ", genotype.phased, " | parallel -j8 --pipe --block 300M --cat grep -E '", pattern, "' {}")

# 执行命令并读取结果
result = system(cmd, intern = TRUE)

这样生成的命令中，分隔符为\|，符合grep的正则要求。

方法2：用shQuote()安全处理模式引用 #

如果模式中包含单引号等特殊字符，直接拼接字符串容易出错，使用shQuote()可自动处理shell的引用规则：

pattern = paste0(selected.chr.pos, collapse = "\\|")
# 对模式进行shell安全引用
quoted_pattern = shQuote(pattern, type = "sh")
cmd = paste("gzcat ", genotype.phased, " | parallel -j8 --pipe --block 300M --cat grep -E ", quoted_pattern, " {}")

方法3：利用grep的-f参数读取模式文件（推荐大量模式场景） #

当模式数量较多时，将模式写入临时文件，用grep的-f参数读取，无需处理任何转义：

# 创建临时文件存储模式
temp_file = tempfile()
writeLines(selected.chr.pos, temp_file)

# 生成命令：-F表示固定字符串匹配，无需正则；若需正则匹配替换为-E
cmd = paste("gzcat ", genotype.phased, " | parallel -j8 --pipe --block 300M --cat grep -F -f ", temp_file, " {}")

# 执行命令后删除临时文件
result = system(cmd, intern = TRUE)
file.remove(temp_file)

grep会将文件中每一行作为独立匹配模式，完美规避转义问题。

方法4：完全在R内并行处理（避免shell依赖） #

如果不需要依赖外部shell命令，可使用R的并行工具直接处理压缩文件：

library(parallel)
library(vroom)

# 创建并行集群
cl = makeCluster(8)
# 将模式变量传递到集群节点
clusterExport(cl, "selected.chr.pos")

# 分块读取压缩文件并并行匹配
result_chunks = parLapply(cl, vroom_lines(genotype.phased, chunk_size = 3e8), function(chunk) {
  # R内的grepl无需转义|，直接用正则匹配
  chunk[grepl(paste0(selected.chr.pos, collapse = "|"), chunk)]
})

# 关闭集群并合并结果
stopCluster(cl)
final_result = unlist(result_chunks)

这种方式全程在R环境内完成，彻底绕开shell转义的麻烦。

内容的提问来源于stack exchange，提问作者M. Beausoleil