如何用awk匹配两个文件指定三列并将匹配行追加到新文件

问题背景 #

排查数小时仍未解决该问题，它看起来逻辑简单但始终调试不通过，特来求助。

涉及文件内容 #

文件1 #

tig00000005 15310   16162   XP_012153921.1  NW_003797090.1  LOC105664333    PREDICTED: elastin-like
tig00000005 23339   23974   XP_012152584.1  NW_003797083.1  LOC100878991    PREDICTED: LOW QUALITY PROTEIN
tig00000005 24600   25138   XP_012143166.1  NW_003797196.1  LOC100881279    PREDICTED: ankyrin-2 isoform X2
tig00000005 2685    4511    XP_012144644.1  NW_003797249.1  LOC105662970    PREDICTED: fibrinogen alpha chain-like isoform X2
tig00000005 28923   29432   XP_012148395.1  NW_003797444.1  LOC100881617    PREDICTED: eukaryotic translation initiation factor 4 gamma 3-like isoform X12
tig00000005 32415   34324   XP_012153921.1  NW_003797090.1  LOC105664333    PREDICTED: elastin-like

文件2 #

tig00000005 maker   gene    15310   16162   .   +   .   ID=snap_masked-tig00000005-processed-gene-0.2;Name=snap_masked-tig00000005-processed-gene-0.2
tig00000005 maker   gene    16764   17237   .   +   .   ID=snap_masked-tig00000005-processed-gene-0.3;Name=snap_masked-tig00000005-processed-gene-0.3
tig00000005 maker   gene    23339   23974   .   +   .   ID=snap_masked-tig00000005-processed-gene-0.4;Name=snap_masked-tig00000005-processed-gene-0.4
tig00000005 maker   gene    24600   25138   .   -   .   ID=snap_masked-tig00000005-processed-gene-0.10;Name=snap_masked-tig00000005-processed-gene-0.10
tig00000005 maker   gene    25472   26900   .   +   .   ID=snap_masked-tig00000005-processed-gene-0.5;Name=snap_masked-tig00000005-processed-gene-0.5

需求说明 #

将文件1的第1、2、3列与文件2的第1、4、5列进行匹配，匹配成功时将文件2的对应行追加到文件1的对应行末尾，预期输出示例：

tig00000005 15310   16162   XP_012153921.1  NW_003797090.1  LOC105664333    PREDICTED: elastin-like tig00000005 maker   gene    15310   16162   .   +   .   ID=snap_masked-tig00000005-processed-gene-0.2;Name=snap_masked-tig00000005-processed-gene-0.2

原有错误代码及问题 #

尝试的两段awk代码均未达到预期：

awk 'OFS="\t"; FS="\t"; NR==FNR{a[$1,$2,$3]=$0; next} (($1,$4,$5) in a){print $0,a[$0]}'  file1 file2

awk 'OFS="\t"; FS="\t"; NR==FNR{a[$1,$2,$3]=($1,$4,$5)} {print $0,a[$0]}' file1 file2

问题点：

1. FS/OFS赋值未放在BEGIN块中，第一行处理时分隔符未生效
2. 键映射逻辑颠倒，且查询时误用整行内容$0作为查询键
3. 多列组合键未用分隔符，存在误匹配风险
4. 文件传入顺序错误，导致输出顺序不符合要求

可行解决方案 #

代码实现 #

awk 'BEGIN{FS=OFS="\t"} NR==FNR{k=$1 SUBSEP $4 SUBSEP $5;a[k]=$0;next} {k=$1 SUBSEP $2 SUBSEP $3;print $0,(k in a?a[k]:"")}' file2 file1

说明 #

• 先读取文件2，以第1、4、5列组合为键存储整行内容
• 再读取文件1，以第1、2、3列组合为键查询，匹配成功则拼接输出，未匹配则仅输出文件1原有内容
• SUBSEP为awk内置的多键分隔符，避免不同列内容拼接导致的误匹配
• 不需要保留未匹配的行时，将打印语句修改为if(k in a) print $0,a[k]即可

内容的提问来源于stack exchange，提问作者user2472414