统计fasta文件核苷酸序列长度的awk命令运行原理是什么？

awk默认采用逐行处理输入内容的规则，每行读入后会依次匹配脚本中的所有模式规则，匹配成功就执行对应代码块，具体逻辑如下：

各代码块功能解释 #

序列头匹配块：$0 ~ ">" #

命中所有以>开头的fasta序列头行，执行逻辑：

• if (NR > 1) {print c}：NR是awk内置变量，代表当前已读入的总行数。如果当前不是第一行，说明已经完成上一条序列的长度统计，先打印上一条序列的总长度c
• c = 0：将长度计数变量重置为0，准备统计当前新序列的长度
• printf substr($0,2,100) "\t"：从当前行第2位开始取最多100个字符（也就是去掉序列头开头的>），输出序列名后加制表符，不换行。

序列内容匹配块：$0 !~ ">" #

命中所有非序列头的序列内容行，执行逻辑：

• c += length($0)：把当前行的字符长度累加到计数变量c中。fasta的一条序列可以拆分到多行存储，每读一行内容就累加一次长度，读完所有内容行后c就是整条序列的总长度。你疑惑的「拆分数据段子串」逻辑本质就是awk的逐行处理机制，不需要额外手动拆分，多行序列内容会被自动逐行识别累加。

END块 #

所有输入行处理完成后执行：

• print c：最后一条序列没有下一个序列头触发打印操作，所以在所有行处理完成后统一打印最后一条序列的长度。

示例执行流程 #

以你给出的测试fasta文件为例：

>Nameofsequence
Sequencedata like: ATGCATCG
GCACGACTCGCTATATTATA
>Nameofsequence2
Sequencedata

逐行处理过程：

1. 第1行命中序列头规则：NR=1不满足>1的条件，不打印c；c重置为0；输出Nameofsequence
2. 第2行命中序列内容规则：累加当前行长度，c变为22
3. 第3行命中序列内容规则：累加当前行长度，c变为42
4. 第4行命中序列头规则：NR=4>1，打印c的值42；c重置为0；输出Nameofsequence2
5. 第5行命中序列内容规则：累加当前行长度，c变为11
6. 所有行处理完成进入END块，打印c的值11

最终输出结果：

Nameofsequence	42
Nameofsequence2	11

内容的提问来源于stack exchange，提问作者Satchmo