基于eggnog mapper输出制作KO注释表格的问题求助

核心问题拆解 #

你的需求是将EggNOG Mapper输出的注释表转换为标准KO关联表，需要解决两个关键点：

• 去除KO列中多余的引号
• 拆分KO列中逗号分隔的多值，实现一行基因对应一行KO的格式

分步解决方案 #

1. 先将XLSX转为干净的TSV（避免转TXT时自动加引号）

如果还在使用XLSX源文件，优先用命令行工具转成制表符分隔的TSV，避免手动转TXT时的引号问题：

libreoffice --headless --convert-to tsv:Text -o ./ test.xlsx

执行后会生成test.tsv，这是无冗余格式的纯文本表格。

2. 清理引号并拆分多值

如果已经有带引号的TXT文件，先通过sed批量去除所有双引号，再用awk拆分KO列：

步骤1：去除所有引号

sed 's/"//g' test.txt > cleaned_test.txt

步骤2：拆分KO多值生成目标表

假设你的表格中：

• 基因ID在第1列
• KO列在第5列（根据实际列数调整）
• 表格用制表符分隔（如果是逗号分隔，将-F'\t'改为-F','）

执行以下awk命令：

awk -F'\t' 'NR>1 {  # NR>1 跳过表头行，不需要则删除该条件
    split($5, ko_list, ",");
    for (i in ko_list) {
        # 去除KO值前后的空格（比如"K00001, K00002"拆分后可能带空格）
        gsub(/^[[:space:]]+|[[:space:]]+$/, "", ko_list[i]);
        print $1 "\t" ko_list[i];
    }
}' cleaned_test.txt > ko_final_table.txt

为什么之前的awk会陷入死循环？ #

大概率是因为带引号的逗号被awk误判为字段分隔符，导致字段解析混乱。先通过sed去掉所有引号后，awk可以正确识别KO列中的逗号分隔符，避免循环逻辑出错。

效率说明 #

17000行数据量很小，sed和awk都是原生高效工具，整个处理过程几秒内就能完成。

内容的提问来源于stack exchange，提问作者btredcup