如何为txt文件中的每2行创建csv行

Question

我有一个这样的文本文件：

Viruses/GCF_000820355.1_ViralMultiSegProj14361_genomic.fna.gz
Sclerophthora macrospora virus A
Viruses/GCF_000820495.2_ViralMultiSegProj14656_genomic.fna.gz
Influenza B virus RNA
Viruses/GCF_000837105.1_ViralMultiSegProj14079_genomic.fna.gz
Tomato mottle virus

我需要一个像这样的csv文件：

Viruses/GCF_000820355.1_ViralMultiSegProj14361_genomic.fna.gz,Sclerophthora macrospora virus A
Viruses/GCF_000820495.2_ViralMultiSegProj14656_genomic.fna.gz,Influenza B virus RNA
Viruses/GCF_000837105.1_ViralMultiSegProj14079_genomic.fna.gz,Tomato mottle virus

因为稍后我想像元组一样使用这个元组来查找压缩文件，读取它并得到一个最终文件，其名称如下：

Viruses/GCF_000837105.1/Tomato mottle virus.fna

我只需要学习如何做第一部分的问题。它可以通过下列方式：

• sed
• awk
• R
• Python

任何帮助都将不胜感激。这对我来说是很难做到的，因为原来的文件名非常混乱。

我试过这样做：

sed -z 's/\n/,/g;s/,$/\n/' multi_headers

但是，它在所有\n中都添加了逗号。

Answer 1

在每个Unix框上的任何shell中使用任何awk，每次只在内存中存储1行，因此无论输入文件有多大，它都会工作：

$ awk '{ORS=(NR%2 ? "," : RS)} 1' file
Viruses/GCF_000820355.1_ViralMultiSegProj14361_genomic.fna.gz,Sclerophthora macrospora virus A
Viruses/GCF_000820495.2_ViralMultiSegProj14656_genomic.fna.gz,Influenza B virus RNA
Viruses/GCF_000837105.1_ViralMultiSegProj14079_genomic.fna.gz,Tomato mottle virus

在上面的少量代码中发生了很多事情，下面是一个解释：

• ORS是内置变量，包含要在每个输出记录末尾打印的字符串(在本例中为record = line )，默认情况下是换行符。
• RS是内置变量，包含分隔每个输入记录的字符串(或regexp)，默认情况下是换行符。
• NR是包含当前记录/行号的内置变量，因此NR%2是奇数记录的1，而偶数为0。
• NR%2 ? "," : RS是一个三元表达式，为奇数行生成,，对于偶数行，\n (或其他设置RS的东西，例如\r\n)。
• 1是一个真正的条件，它导致执行打印当前记录的默认操作。

所以上面的脚本说：“如果当前行号是奇数，则在末尾用,打印它，否则在末尾用换行符打印它”，因此它用,将每一对行连接起来。

Answer 2

Bash

您可以做一个paste (谢谢@glenn指出我以前对cat的无用使用)。

# or cat mytext.txt | paste -d "," - -
paste -d "," - - < mytext.txt 

Viruses/GCF_000820355.1_ViralMultiSegProj14361_genomic.fna.gz,Sclerophthora macrospora virus A
Viruses/GCF_000820495.2_ViralMultiSegProj14656_genomic.fna.gz,Influenza B virus RNA
Viruses/GCF_000837105.1_ViralMultiSegProj14079_genomic.fna.gz,Tomato mottle virus

R

R函数也是paste，以及sapply

mytext <- scan("mytext.txt", character(), sep = "\n")

sapply(seq(1, length(mytext), 2), function(x) paste(mytext[x], mytext[x + 1], sep = ","))
[1] "Viruses/GCF_000820355.1_ViralMultiSegProj14361_genomic.fna.gz,Sclerophthora macrospora virus A"
[2] "Viruses/GCF_000820495.2_ViralMultiSegProj14656_genomic.fna.gz,Influenza B virus RNA"           
[3] "Viruses/GCF_000837105.1_ViralMultiSegProj14079_genomic.fna.gz,Tomato mottle virus"   

Answer 3

使用sed

$ sed '/^Viruses/{N;s/\n\(.*\)/,\1/}' multi_headers
Viruses/GCF_000820355.1_ViralMultiSegProj14361_genomic.fna.gz,Sclerophthora macrospora virus A
Viruses/GCF_000820495.2_ViralMultiSegProj14656_genomic.fna.gz,Influenza B virus RNA
Viruses/GCF_000837105.1_ViralMultiSegProj14079_genomic.fna.gz,Tomato mottle virus

• /^Viruses/ -从字符串Viruses开始的匹配行
• {N; -在模式空间中读取/追加下一行输入。
• s/\n\(.*\)/,\1/ -从模式空间中删除\n并用逗号,替换它