如何提取两文件特定列匹配值的行并合并生成新文件

现有两个制表符分隔的文件（各含数千行数据）：

File1 内容 #

anno1.g20653.t1 anno1.g20674.t1 eud1g02416  eud1g02458  27  +
anno2.g3796.t1  anno1.g20698.t1 eud1g02520  eud1g02556  28  +

File2 内容 #

scaffold_1  transcript  11256   13613   anno1.g20653.t1
scaffold_1  transcript  25598   47989   anno1.g20066.t2

需求 #

当 File1 第1列的元素存在于 File2 第5列时，将匹配的两行以制表符分隔合并后输出到 File3，忽略无匹配的行。期望输出的 File3 内容如下：

anno1.g20653.t1 anno1.g20674.t1 eud1g02416  eud1g02458  27  +   scaffold_1  transcript  11256   13613   anno1.g20653.t1

尝试过的命令（未达到预期） #

awk 'FNR==NR {a[$1]; next} FNR> 1 && $5 in a' File1 File2 > File3

该命令仅提取了 File2 中的匹配行，未合并 File1 的对应行。

Awk 实现 #

核心思路是先读取 File2，用第5列作为键存储整行内容；再读取 File1，匹配后拼接两行输出：

awk 'BEGIN {FS=OFS="\t"} FNR==NR {a[$5]=$0; next} $1 in a {print $0, a[$1]}' File2 File1 > File3

• BEGIN {FS=OFS="\t"}：指定输入输出分隔符为制表符，保证格式一致性
• FNR==NR {a[$5]=$0; next}：处理第一个文件（File2），将第5列值作为键，整行内容作为值存入数组
• $1 in a {print $0, a[$1]}：处理第二个文件（File1），若第1列存在于数组中，拼接当前行与对应 File2 行输出

Python 实现 #

适合处理超大文件或需要扩展逻辑的场景：

# 构建 File2 中 ID 到整行的映射
id_to_line = {}
with open("File2", "r") as f2:
    for line in f2:
        line = line.strip()
        parts = line.split("\t")
        if len(parts) >= 5:
            id_to_line[parts[4]] = line

# 处理 File1 并生成结果
with open("File1", "r") as f1, open("File3", "w") as f3:
    for line in f1:
        line = line.strip()
        if not line:
            continue
        first_col = line.split("\t")[0]
        if first_col in id_to_line:
            merged_line = f"{line}\t{id_to_line[first_col]}"
            f3.write(f"{merged_line}\n")

• 先遍历 File2 存储映射关系，避免重复读取
• 遍历 File1 时直接匹配映射，拼接符合条件的行写入结果文件

内容的提问来源于stack exchange，提问作者rseg