使用AWK比对两文件列并输出匹配行：匹配行缺失问题排查

看起来你遇到的问题核心出在文件格式匹配和awk逻辑对输入的解析上，咱们一步步拆解：

为什么你的命令只返回AARS行？ #

先看你提供的测试file1代码块：

AAGAB AAK1 AAMDC AAMP AAR2 AARD AARS 

这是单行空格分隔的所有基因，但你的awk命令NR==FNR{c[$1]++;next}是默认file1的每行仅包含一个基因（即第1列是单个基因）。所以awk处理file1时，只会把第一列的AAGAB存入数组c，后面的AAK1、AAMDC等都被当成同一行的第2、3...列，完全没被加入匹配数组。

至于你能得到AARS行，大概率是测试时的输入误差（比如实际file1最后一行单独写了AARS），但整体逻辑没覆盖到所有基因。

针对你的需求的正确命令 #

根据你描述的真实场景（file1是1列约14000行，file2是6列约40000行），分两种情况给出解决方案：

情况1：file1确实是每行1个基因（符合你描述的1列格式） #

如果file1每行仅一个基因（不管是空格还是制表符分隔），用下面的命令即可，awk会自动识别任意空白作为分隔符：

awk 'NR==FNR{c[$1]++;next}c[$5]' file1 file2

如果你的文件严格用制表符分隔，也可以明确指定分隔符：

awk -F '\t' 'NR==FNR{c[$1]++;next}c[$5]' file1 file2

情况2：file1是单行/多行空格分隔的多个基因（比如你测试代码块的格式） #

如果file1是把多个基因放在同一行（或每行多个），需要遍历所有字段存入匹配数组：

awk 'NR==FNR{for(i=1;i<=NF;i++)c[$i]++;next}c[$5]' file1 file2

验证你的测试文件 #

先修正测试文件的正确格式，才能得到你期望的输出：

正确的file1（每行1个基因）：

AAGAB
AAK1
AAMDC
AAMP
AAR2
AARD
AARS

正确的file2（每行6列，制表符分隔）：

chr14	94463615	94473898	NR_024182	AAGAB	+
chr10	74033676	74035797	NM_019058	AAK1	+
chr22	38035683	38052050	NM_018957	AAMDC	+
chrX	47001614	47004609	NM_019056	AAMP	-
chr9	21994789	22077889	NR_047539	AAR2	+
chr16	20370491	20416033	NM_174924	AARD	-
chr1	210111518	210337633	NM_001146262	AARS	+
chrX	30233674	30238206	NM_002364	MAGEB2	+
chrX	30261847	30270155	NM_002363	MAGEB1	+

用情况1的命令运行，就能得到你期望的所有匹配行。

额外验证技巧 #

如果不确定数组里有没有存入所有基因，可以先打印file1的解析结果：

awk 'NR==FNR{c[$1]++;print $1, c[$1];next}' file1

如果输出只有1条结果，说明file1的格式不是每行一个基因，或者分隔符设置错误。

内容的提问来源于stack exchange，提问作者cutts