使用awk修改大文本文件列值时遇语法错误，求解决方法

问题描述 #

我有一个类似GTF格式的文本文件，每行以chr开头，前8列用制表符分隔，第9列是属性列表（分号分隔）。示例内容如下：

chr1	HAVANA	transcript	12010	13670	.	+	.	gene_id "ENSG00000223972.4"; transcript_id "ENST00000450305.2"; gene_type "pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; transcript_type "transcribed_unprocessed_pseudogene"; transcript_status "KNOWN"; transcript_name "DDX11L1-001"; level 2; ont "PGO:0000005"; ont "PGO:0000019"; havana_gene "OTTHUMG00000000961.2"; havana_transcript "OTTHUMT00000002844.2";
chr2	HAVANA	exon	12010	12057	.	+	.	gene_id "ENSG00000223972.4"; transcript_id "ENST00000450305.2"; gene_type "pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; transcript_type "transcribed_unprocessed_pseudogene"; transcript_status "KNOWN"; transcript_name "DDX11L1-001"; exon_number 1; exon_id "ENSE00001948541.1"; level 2; ont "PGO:0000005"; ont "PGO:0000019"; havana_gene "OTTHUMG00000000961.2"; havana_transcript "OTTHUMT00000002844.2";
chr3	HAVANA	exon	12179	12227	.	+	.	gene_id "ENSG00000223972.4"; transcript_id "ENST00000450305.2"; gene_type "pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; transcript_type "transcribed_unprocessed_pseudogene"; transcript_status "KNOWN"; transcript_name "DDX11L1-001"; exon_number 2; exon_id "ENSE00001671638.2"; level 2; ont "PGO:0000005"; ont "PGO:0000019"; havana_gene "OTTHUMG00000000961.2"; havana_transcript "OTTHUMT00000002844.2";

我的需求是生成新文件，仅修改第4、5列：

• 新第4列 = 原第4列值 - 12
• 新第5列 = 原第4列值 + 50

我尝试了以下AWK命令：

awk 'BEGIN { FS="\t;" } {print $1"\t"$2"\t"$3"\t"$4=$4-12"\t"$5=$4+50"\t"$6"\t"$7"\t"$8"\t"$9" "$10";"$11" "$12";"$13" "$14";"$15" "$16";"$17" "$18";"$19" "$20";"$21" "$22";"$23" "$24";"$25" "$26";"$27" "$28";"$29" "$30";"$31" "$32";"$33" "$34";"$35" "$36";"$37" "$38";" }' input.txt > test2.txt

但运行时出现语法错误：

awk: cmd. line:1: BEGIN { FS="\t;" } {print $1"\t"$2"\t"$3"\t"$4=$4-12"\t"$5=$4+50"\t"$6"\t"$7"\t"$8"\t"$9" "$10";"$11" "$12";"$13" "$14";"$15" "$16";"$17" "$18";"$19" "$20";"$21" "$22";"$23" "$24";"$25" "$26";"$27" "$28";"$29" "$30";"$31" "$32 ";" $33" "$34";"$35" "$36";"$37" "$38";" }
awk: cmd. line:1: ^ syntax error
awk: cmd. line:1: BEGIN { FS="\t;" } {print $1"\t"$2"\t"$3"\t"$4=$4-12"\t"$5=$4+50"\t"$6"\t"$7"\t"$8"\t"$9" "$10";"$11" "$12";"$13" "$14";"$15" "$16";"$17" "$18";"$19" "$20";"$21" "$22";"$23" "$24";"$25" "$26";"$27" "$28";"$29" "$30";"$31" "$32 ";" $33" "$34";"$35" "$36";"$37" "$38";" }
awk: cmd. line:1: ^ syntax error

问题分析 #

你的命令有几个关键问题：

1. 字段分隔符(FS)设置错误：你设置FS="\t;"表示字段是由"制表符+分号"组合分隔，但实际文件的前8列是单独用制表符分隔，第9列的属性是用"分号+空格"分隔。这个错误会导致AWK把字段拆得混乱，后续的$9、$10等都不是你期望的内容。
2. print语句中的赋值语法错误：在print中直接写$4=$4-12这种赋值操作，会导致语法解析错误。AWK的print输出的是表达式结果，但这种嵌套赋值的写法不符合语法规范，而且会修改$4的值，导致后续计算$5=$4+50时用的是修改后的$4，而非原始值。
3. 手动拼接字段过于繁琐且易出错：你手动拼接每个字段的方式不仅冗长，还容易出现符号错误（比如你命令里的$32 ";" $33多了空格）。

解决方案 #

我们可以简化命令，利用AWK的字段替换功能，同时保留原始文件的格式：

awk 'BEGIN {OFS="\t"} {orig_start = $4; $4 = orig_start - 12; $5 = orig_start + 50; print $0}' input.txt > test2.txt

命令解释：

• BEGIN {OFS="\t"}：设置输出字段分隔符为制表符，确保输出的列分隔和原文件一致。
• orig_start = $4：先保存原始第4列的值，避免修改$4后影响第5列的计算。
• $4 = orig_start -12：将第4列替换为原始值减12。
• $5 = orig_start +50：将第5列替换为原始值加50（不管原来的第5列是什么）。
• print $0：输出修改后的整行内容，AWK会自动用OFS分隔所有字段，包括后面的属性列。

验证结果 #

运行这个命令后，你的示例文件第一行会变成：

chr1	HAVANA	transcript	11998	12060	.	+	.	gene_id "ENSG00000223972.4"; transcript_id "ENST00000450305.2"; gene_type "pseudogene"; gene_status "KNOWN"; gene_name "DDX11L1"; transcript_type "transcribed_unprocessed_pseudogene"; transcript_status "KNOWN"; transcript_name "DDX11L1-001"; level 2; ont "PGO:0000005"; ont "PGO:0000019"; havana_gene "OTTHUMG00000000961.2"; havana_transcript "OTTHUMT00000002844.2";

可以看到第4列是12010-12=11998，第5列是12010+50=12060，完全符合需求。

内容的提问来源于stack exchange，提问作者ARM