数字排序但保留重复

Question

我正在对一个包含近 900 行的文件进行数字排序。对于其他人的命令

tr '\r' '\n' < myfile.txt | sort

或

tr '\r' '\n' < myfile.txt | sort -n

似乎可以解决问题，但对我来说，我没有得到我想要的输出（只有两百行）。我可以看到我的 mac 上所有重复的数字都丢失了，并且我得到了终端错误“tr：非法字节序列”。

我做错了什么，为什么我不知道如何保存文件？它可以与具有空白列的文件有关吗？

文件在这里： dropbox.com/s/umzx64c5ix90l3y/Proteins.txt?dl=0

编辑/澄清：

当我按数字对所有行进行排序后，我需要以某种方式将具有相同数字的行组合起来，以便将新信息添加到上一行。以没有 61 的行为例：

Col   1     2      3     4       5       6         7         8      9   10    11
     61 PTS...  cyt   1bl..   0,38  MONOMER homo-trimer FRUC... PER...Bac..
     61 PTS...                                                                 3

变成：

Col   1     2      3     4       5       6         7         8      9   10    11
     61 PTS...  cyt   1bl..   0,38  MONOMER homo-trimer FRUC... PER...Bac..   3

如果两行中的信息重叠，我需要保留上一行的信息。

谢谢:)

Answer 1

您的文件未正确 UTF-8 编码，而您的语言环境肯定设置为 UTF-8。第 195 行包含（无效序列标有<HEX>）：

1945    comM    protection against fracitins/bacteriocins (found by comparison to spr genome according to H<CE>varstein 2006)   integral membrane protein (H<CE>varstein)   no model

弄清楚编码是什么，然后将文件转换为正确的编码或更改语言环境以适应。简单的尝试

env LC_ALL=C tr '\r' '\n' < Proteins.txt | sort -n

似乎对我有用，给出 1021 行。

Answer 2

我在 MAC 上。我从 tr 和 sed 复制了问题illegal byte sequence。它是 OS X 上设置的语言环境，或者我应该说“未设置”。输入locale 命令，你就会明白我的意思了。这些是在终端应用程序设置中设置的，或者您可以自己设置。

许多应用程序的默认语言环境可以是C，或POSIX，基本上就是ASCII。

所以我这样做了：

LC_ALL=C tr '\r' '\n' < myfile.txt | sort -n 

这看起来还不错。

您可能希望添加：

export LC_ALL=C

发送至您的.bash_profile，而不是更改您的终端设置。