0

我有许多 GB+ 大小的 gz 档案，由于磁盘空间的原因，我无法解压缩。每个档案都有一个特定的标识号（例如 test365.gz）和如下结构：

         1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM
      1 C1          5.7064    -2.3998   -12.0246 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000099999999
@<TRIPOS>MOLECULE
 ZINC000099999999      none
@<TRIPOS>ATOM
      1 C1         -2.0084    -5.2055   -12.9609 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077402345
@<TRIPOS>MOLECULE
 ZINC000077402345     none
@<TRIPOS>ATOM
      1 C1          6.5657    -1.5531   -15.3414 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM
      1 C1          3.6696    -1.8305   -14.6766 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000012345678
@<TRIPOS>MOLECULE
 ZINC000012345678      none
@<TRIPOS>ATOM
      1 C1          4.5368    -0.8182   -17.4314 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407100
@<TRIPOS>MOLECULE
 ZINC000077407100      none
@<TRIPOS>ATOM
      1 C1          1.4756    -2.2562   -14.0852 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM
      1 C1          6.1712    -0.8991   -16.4096 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198
@<TRIPOS>MOLECULE
 ZINC000077407198      none
@<TRIPOS>ATOM

###### 定义块之间的行数是可变的。

我有一个 ZINC 实体 + 目标档案的标识符列表：

test365/    ZINC000077407198
test227/    ZINC000009100000
test365/    ZINC000077407100
...

目前我做：

zcat test365.gz | sed -n '/##########                 Name:     ZINC000077407100/,/##########                 Name:/p' > ZINC000077407100.out

我得到：

##########                 Name:     ZINC000077407100
@<TRIPOS>MOLECULE
 ZINC000077407100      none
@<TRIPOS>ATOM
      1 C1          1.4756    -2.2562   -14.0852 C.3        1  LIG1  -0.1500
@<TRIPOS>BOND
     1    1    2 1
##########                 Name:     ZINC000077407198

哪个工作正常。如果 ZINC000077407100 有 N 个块，我会在 zcat 上提取 N 个块，并且不介意以 ##### 开头的行。

问题是我需要为 N 个标识符 / ZINC_NUMBER 读取存档 N 次我想要的信息。由于我有数千个提取物，因此需要很长时间。

所以我想找到一种方法来传递一个数组或标识符列表/ZINC_NUMBER，以根据数组/列表中的标识符将zcat读取输出到几个不同的文件。

换句话说，我想使用 zcat 进行单次读取，并为一组标识符提取数据，而不仅仅是一个。

谢谢你的帮助！

4

2 回答 2

1

每个 OP 的要求是处理大量数据（数百万行、数 GB 数据以及需要检索大约 100 个项目的数据）。现代 bash 在技术上是可行的，但它不太可能表现良好。一个更好的脚本引擎在这里会做得更好。

此处介绍了可能的 bash/awk 解决方案。它将扫描每个引用的文件一次，然后一次提取所有选定的标签。请注意，“标签”列表将被扫描多次，但暗示它的大小是合理的

#! /bin/bash -uex
TAGS=data.txt

file_list=$(awk '{ print $1 }' < $TAGS | sort -u)

for f in $file_list ;
do
        gz_name=${f%/}.gz
        zcat $gz_name | awk -v F=$f '
        # Remember tags to retrieve
!DATA && $1 == F { tags[$2] = 1 }
        # OUT set to current output file, empty if item not selected
DATA && $1 == "##########" && $2 == "Name:" {
        OUT = tags[$3] ? $3 ".out" : "" ;
}
OUT { print >OUT }
' $TAGS DATA=1 -
done

不用说，可以使用 Python、Perl、Javascript 或您喜欢的文本处理工具编写上述 5 行 awk 作业。使用样本数据集进行测试。

于 2020-05-26T11:43:49.400 回答
0

似乎每个以开头的条目##########总是有 6 行。在这种情况下，使用它来grep -A7代替sed -n /##.../,/##.../p. 我想您只打印了后续标题，因为这样更容易（至少在使用时sed）。因此，我在此答案中排除了后续标题（grep -A6而不是grep -A7）。

grep可以给出要搜索的模式列表。这是通过-f选项完成的。可以从您的文件中生成模式列表。首先按存档名称（例如test365）分组，然后打印该存档的所有模式。在这里，我们使用awk这样做。一个空字节分隔每个档案的模式部分。

为了防止误报（并且可能加快搜索速度），我们只搜索完整的行而不是子字符串。为了加快速度，我们设置了LC_ALL=C. 您可能还会发现它zgrep比zcat | grep.

以下脚本最多将每个存档解压缩一次。

awk -v prefix='##########                 Name:     ' '
  {a[$1]=a[$1] "\n" prefix $2}
  END {for (k in a) print k a[k] "\0"}
' /path/to/your/list.txt |
while IFS=$'\n' read -r -d '' archive patterns; do
  LC_ALL=C zgrep -A6 -Fxf <(printf %s "$patterns") "${archive/\//.gz}"
  # TODO do something with the output for this archive
done

在上面的脚本中，我test365/从您的列表转换为test365.gz自动。我不知道你的目录结构。如果您需要不同的东西，请调整zgrep. $archive遍历您的（分组的）列表的第一列（也就是说，每个存档只列出一次）。

从您的示例代码中，您似乎想为每个模式生成一个单独的文件。为此，将循环体从上面替换为

zgrep ... > /tmp/zincfound
while IFS= read -r pattern; do
    grep -A6 -Fx "$pattern" /tmp/zincfound > "${pattern##* }.out" 
done <<< "$patterns"
rm /tmp/zincfound
于 2020-05-26T07:53:04.493 回答