每10000个数字分割文件（非行）

我有一个如下文件：

chr19   61336212        +       0       0       CG      CGT    
chr19   61336213        -       0       0       CG      CGG    
chr19   61336218        +       0       0       CG      CGG    
chr19   61336219        -       0       0       CG      CGC    
chr19   61336268        +       0       0       CG      CGG    
chr19   61336269        -       0       0       CG      CGA    
chr19   61336402        +       0       0       CG      CGG    
chr19   61336403        -       0       0       CG      CGT    

我想在第二个字段的每10000个间隔（不行，但数字间隔）中分割此文件。因此，对于此文件，我想从第一行（具有61336212的行）拆分为具有或最多61346211（61336212 + 9999）的行，然后从61346212扩展至61356211，依此类推。如您所见，第二个字段/列中的数字未“填充”。

有没有办法做到这一点？

awk 'NR==1 {n=$2}
     {
       file = sprintf("file.%.4d", ($2-n)/10000)
       if (file != last_file) {
         close(last_file)
         last_file = file
       }
       print > file
     }'

会写file.0000，file.0001...（数量是int(($2-n)/10000)其中n的$2第一个行）。

请注意，一旦停止写入文件，我们就会关闭文件，否则，在几百个文件之后，您将达到同时打开文件数的限制（GNU awk可以解决该限制，但是性能会迅速下降）。

我们假设这些数字一直在上升。

破解一线版。也许比此论坛更适合Code Golf。这将生成split1，split2，split3等作为文件名。

awk '{if($2>b+9999){a++;b=$2}print >"split" a}' file.txt

要获得名为split001，split002，split003的输出文件，需要执行以下操作sprintf：

awk '{if($2>b+9999){a++;b=$2}print >sprintf("split%03d",a)}' file.txt

为了避免由@StéphaneChazelas确定的gawk减速问题，请使用perl：

perl -ne '(undef,$a)=split(/\s+/,$_);if($a>$b+9999){$c++;$b=$a}open(D,sprintf(">>ysplit%03d",$c));print D' <file.txt

#!/bin/bash
first=$( head -n1 file | awk -F" +" '{print $2}' )
last=$( tail -n1 file | awk -F" +" '{print $2}' )
for (( i=$first ; i<=$last ; i=i+10000 )) ; do
   awk -v start=$i -v end=$(($i+10000)) 'BEGIN { FS == " +" } { if ( $2 >= start && $2 < end ) print $0 }' file \
   >> interval_"$i"_to_"$(( $i+10000 ))"
done

以间隔设置为100进行测试：

more inter*
::::::::::::::
interval_61336212_to_61346212
::::::::::::::
chr19   61336212        +       0       0       CG      CGT    
chr19   61336213        -       0       0       CG      CGG    
chr19   61336218        +       0       0       CG      CGG    
chr19   61336219        -       0       0       CG      CGC    
chr19   61336268        +       0       0       CG      CGG    
chr19   61336269        -       0       0       CG      CGA    
::::::::::::::
interval_61336312_to_61346312
::::::::::::::
chr19   61336402        +       0       0       CG      CGG    
chr19   61336403        -       0       0       CG      CGT  

注意：将以空间隔生成空文件；要删除空文件，请添加：

for file in interval* ; do
  if [ ! -s "$file" ] ; then
    rm "$file"
  fi
done

将为for循环中的每个步骤运行文件，因此效率不是最高。

如果您只是计算而不是行计数：

awk 'NR==1 || n+10000<$2{n=$2; portion++}{print > FILENAME "." portion}' file