Awk學習筆記
awk 是一種編程語言，用於在linux/unix下對文本和數據進行處理。數據可以來自標準輸入、一個或多個文件，或其它命令的輸出。它支持用戶自定義函數和 動態正則表達式等先進功能，是linux/unix下的一個強大編程工具。它在命令行中使用，但更多是作爲腳本來使用。awk的處理文本和數據的方式是這 樣的，它逐行掃描文件，從第一行到最後一行，尋找匹配的特定模式的行，並在這些行上進行你想要的操作。如果沒有指定處理動作，則把匹配的行顯示到標準輸出 (屏幕)，如果沒有指定模式，則所有被操作所指定的行都被處理。awk分別代表其作者姓氏的第一個字母。因爲它的作者是三個人，分別是Alfred Aho、Brian Kernighan、Peter Weinberger。gawk是awk的GNU版本，它提供了Bell實驗室和GNU的一些擴展。下面介紹的awk是以GUN的gawk爲例的，在 linux系統中已把awk鏈接到gawk，所以下面全部以awk進行介紹。
-
awk [options] 'script' var=value file(s)
-
awk [options] -f scriptfile var=value file(s)
- -F fs or --field-separator fs
-
指定輸入文件折分隔符，fs是一個字符串或者是一個正則表達式，如-F:。
- -v var=value or --asign var=value
-
賦值一個用戶定義變量。
- -f scripfile or --file scriptfile
-
從腳本文件中讀取awk命令。
- -mf nnn and -mr nnn
-
對nnn值設置內在限制，-mf選項限制分配給nnn的最大塊數目；-mr選項限制記錄的最大數目。這兩個功能是Bell實驗室版awk的擴展功能，在標準awk中不適用。
- -W compact or --compat, -W traditional or --traditional
-
在兼容模式下運行awk。所以gawk的行爲和標準的awk完全一樣，所有的awk擴展都被忽略。
- -W copyleft or --copyleft, -W copyright or --copyright
-
打印簡短的版權信息。
- -W help or --help, -W usage or --usage
-
打印全部awk選項和每個選項的簡短說明。
- -W lint or --lint
-
打印不能向傳統unix平臺移植的結構的警告。
- -W lint-old or --lint-old
-
打印關於不能向傳統unix平臺移植的結構的警告。
- -W posix
-
打開兼容模式。但有以下限制，不識別：/x、函數關鍵字、func、換碼序列以及當fs是一個空格時，將新行作爲一個域分隔符；操作符**和**=不能代替^和^=；fflush無效。
- -W re-interval or --re-inerval
-
允許間隔正則表達式的使用，參考(grep中的Posix字符類)，如括號表達式[[:alpha:]]。
- -W source program-text or --source program-text
-
使用program-text作爲源代碼，可與-f命令混用。
- -W version or --version
-
打印bug報告信息的版本。
- awk腳本是由模式和操作組成的：
-
pattern {action} 如$ awk '/root/' test，或$ awk '$3 < 100' test。
兩者是可選的，如果沒有模式，則action應用到全部記錄，如果沒有action，則輸出匹配全部記錄。默認情況下，每一個輸入行都是一條記錄，但用戶可通過RS變量指定不同的分隔符進行分隔。
模式可以是以下任意一個：
-
/正則表達式/：使用通配符的擴展集。
-
關係表達式：可以用下面運算符表中的關係運算符進行操作，可以是字符串或數字的比較，如$2>%1選擇第二個字段比第一個字段長的行。
-
模式匹配表達式：用運算符~(匹配)和~!(不匹配)。
-
模式，模式：指定一個行的範圍。該語法不能包括BEGIN和END模式。
-
BEGIN：讓用戶指定在第一條輸入記錄被處理之前所發生的動作，通常可在這裏設置全局變量。
-
END：讓用戶在最後一條輸入記錄被讀取之後發生的動作。
Table 1. awk的環境變量
| 變量 | 描述 |
|---|---|
| $n | 當前記錄的第n個字段，字段間由FS分隔。 |
| $0 | 完整的輸入記錄。 |
| ARGC | 命令行參數的數目。 |
| ARGIND | 命令行中當前文件的位置(從0開始算)。 |
| ARGV | 包含命令行參數的數組。 |
| CONVFMT | 數字轉換格式(默認值爲%.6g) |
| ENVIRON | 環境變量關聯數組。 |
| ERRNO | 最後一個系統錯誤的描述。 |
| FIELDWIDTHS | 字段寬度列表(用空格鍵分隔)。 |
| FILENAME | 當前文件名。 |
| FNR | 同NR，但相對於當前文件。 |
| FS | 字段分隔符(默認是任何空格)。 |
| IGNORECASE | 如果爲真，則進行忽略大小寫的匹配。 |
| NF | 當前記錄中的字段數。 |
| NR | 當前記錄數。 |
| OFMT | 數字的輸出格式(默認值是%.6g)。 |
| OFS | 輸出字段分隔符(默認值是一個空格)。 |
| ORS | 輸出記錄分隔符(默認值是一個換行符)。 |
| RLENGTH | 由match函數所匹配的字符串的長度。 |
| RS | 記錄分隔符(默認是一個換行符)。 |
| RSTART | 由match函數所匹配的字符串的第一個位置。 |
| SUBSEP | 數組下標分隔符(默認值是/034)。 |
awk把每一個以換行符結束的行稱爲一個記錄。
記錄分隔符：默認的輸入和輸出的分隔符都是回車，保存在內建變量ORS和RS中。
$0變量：它指的是整條記錄。如$ awk '{print $0}' test將輸出test文件中的所有記錄。
變量NR：一個計數器，每處理完一條記錄，NR的值就增加1。如$ awk '{print NR,$0}' test將輸出test文件中所有記錄，並在記錄前顯示記錄號。
記錄中每個單詞稱做“域”，默認情況下以空格或tab分隔。awk可跟蹤域的個數，並在內建變量NF中保存該值。如$ awk '{print $1,$3}' test將打印test文件中第一和第三個以空格分開的列(域)。
一般通用的元字符集就不講了，可參考我的Sed 和Grep 學習筆記。以下幾個是gawk專用的，不適合unix版本的awk。
- /Y
-
匹配一個單詞開頭或者末尾的空字符串。
- /B
-
匹配單詞內的空字符串。
- /<
-
匹配一個單詞的開頭的空字符串，錨定開始。
- />
-
匹配一個單詞的末尾的空字符串，錨定末尾。
- /w
-
匹配一個字母數字組成的單詞。
- /W
-
匹配一個非字母數字組成的單詞。
- /‘
-
匹配字符串開頭的一個空字符串。
- /'
-
匹配字符串末尾的一個空字符串。
可參考我的Grep學習筆記
conditional expression1 ? expression2: expression3，例如：$ awk '{max = {$1 > $3} ? $1: $3: print max}' test。如果第一個域大於第三個域，$1就賦值給max，否則$3就賦值給max。
$ awk '$1 + $2 < 100' test。如果第一和第二個域相加大於100，則打印這些行。
$ awk '$1 > 5 && $2 < 10' test,如果第一個域大於5，並且第二個域小於10，則打印這些行。
範圍模板匹配從第一個模板的第一次出現到第二個模板的第一次出現之間所有行。如果有一個模板沒出現，則匹配到開頭或末尾。如$ awk '/root/,/mysql/' test將顯示root第一次出現到mysql第一次出現之間的所有行。
$ cat /etc/passwd | awk -F: '/
NF != 7{/
printf("line %d,does not have 7 fields:%s/n",NR,$0)}/
$1 !~ /[A-Za-z0-9]/{printf("line %d,non alpha and numeric user id:%d: %s/n,NR,$0)}/
$2 == "*" {printf("line %d, no password: %s/n",NR,$0)}'
|
cat把結果輸出給awk，awk把域之間的分隔符設爲冒號。 |
|
如果域的數量(NF)不等於7，就執行下面的程序。 |
|
printf打印字符串"line ?? does not have 7 fields"，並顯示該條記錄。 |
|
如果第一個域沒有包含任何字母和數字，printf打印“no alpha and numeric user id" ，並顯示記錄數和記錄。 |
|
如果第二個域是一個星號，就打印字符串“no passwd”，緊跟着顯示記錄數和記錄本身。 |
-
$ awk '/^(no|so)/' test-----打印所有以模式no或so開頭的行。
-
$ awk '/^[ns]/{print $1}' test-----如果記錄以n或s開頭，就打印這個記錄。
-
$ awk '$1 ~/[0-9][0-9]$/(print $1}' test-----如果第一個域以兩個數字結束就打印這個記錄。
-
$ awk '$1 == 100 || $2 < 50' test-----如果第一個或等於100或者第二個域小於50，則打印該行。
-
$ awk '$1 != 10' test-----如果第一個域不等於10就打印該行。
-
$ awk '/test/{print $1 + 10}' test-----如果記錄包含正則表達式test，則第一個域加10並打印出來。
-
$ awk '{print ($1 > 5 ? "ok "$1: "error"$1)}' test-----如果第一個域大於5則打印問號後面的表達式值，否則打印冒號後面的表達式值。
-
$ awk '/^root/,/^mysql/' test----打印以正則表達式root開頭的記錄到以正則表達式mysql開頭的記錄範圍內的所有記錄。如果找到一個新的正則表達式root開頭的記 錄，則繼續打印直到下一個以正則表達式mysql開頭的記錄爲止，或到文件末尾。
-
在awk中，變量不需要定義就可以直接使用，變量類型可以是數字或字符串。
-
賦 值格式：Variable = expression，如$ awk '$1 ~/test/{count = $2 + $3; print count}' test,上式的作用是,awk先掃描第一個域，一旦test匹配，就把第二個域的值加上第三個域的值，並把結果賦值給變量count，最後打印出來。
-
awk 可以在命令行中給變量賦值，然後將這個變量傳輸給awk腳本。如$ awk -F: -f awkscript month=4 year=2004 test，上式的month和year都是自定義變量，分別被賦值爲4和2004。在awk腳本中，這些變量使用起來就象是在腳本中建立的一樣。注意，如 果參數前面出現test，那麼在BEGIN語句中的變量就不能被使用。
-
域變量也可被賦值和修改，如$ awk '{$2 = 100 + $1; print }' test,上式表示，如果第二個域不存在，awk將計算表達式100加$1的值，並將其賦值給$2，如果第二個域存在，則用表達式的值覆蓋$2原來的值。 再例如：$ awk '$1 == "root"{$1 ="test";print}' test，如果第一個域的值是“root”，則把它賦值爲“test”，注意，字符串一定要用雙引號。
-
內建變量的使用。 變量列表在前面已列出，現在舉個例子說明一下。$ awk -F: '{IGNORECASE=1; $1 == "MARY"{print NR,$1,$2,$NF}'test，把IGNORECASE設爲1代表忽略大小寫，打印第一個域是mary的記錄數、第一個域、第二個域和最後一個 域。
BEGIN 模塊後緊跟着動作塊，這個動作塊在awk處理任何輸入文件之前執行。所以它可以在沒有任何輸入的情況下進行測試。它通常用來改變內建變量的值，如 OFS,RS和FS等，以及打印標題。如：$ awk 'BEGIN{FS=":"; OFS="/t"; ORS="/n/n"}{print $1,$2,$3} test。上式表示，在處理輸入文件以前，域分隔符(FS)被設爲冒號，輸出文件分隔符(OFS)被設置爲製表符，輸出記錄分隔符(ORS)被設置爲兩個 換行符。$ awk 'BEGIN{print "TITLE TEST"}只打印標題。
END不匹配任何的輸入文件，但是執行動作塊中的所有動作，它在整個輸入文件處理完成後被執行。如$ awk 'END{print "The number of records is" NR}' test，上式將打印所有被處理的記錄數。
-
awk 可使用shell的重定向符進行重定向輸出，如：$ awk '$1 = 100 {print $1 > "output_file" }' test。上式表示如果第一個域的值等於100，則把它輸出到output_file中。也可以用>>來重定向輸出，但不清空文件，只做追加 操作。
-
輸出重定向需用到getline函數。getline從標準輸入、管道或者當前正在處理的文件之外的其他輸入文件 獲得輸入。它負責從輸入獲得下一行的內容，並給NF,NR和FNR等內建變量賦值。如果得到一條記錄，getline函數返回1，如果到達文件的末尾就返 回0，如果出現錯誤，例如打開文件失敗，就返回-1。如：
$ awk 'BEGIN{ "date" | getline d; print d}' test。執行linux的date命令，並通過管道輸出給getline，然後再把輸出賦值給自定義變量d，並打印它。
$ awk 'BEGIN{"date" | getline d; split(d,mon); print mon[2]}' test。執行shell的date命令，並通過管道輸出給getline，然後getline從管道中讀取並將輸入賦值給d，split函數把變量d轉 化成數組mon，然後打印數組mon的第二個元素。
$ awk 'BEGIN{while( "ls" | getline) print}'，命令ls的輸出傳遞給geline作爲輸入，循環使getline從ls的輸出中讀取一行，並把它打印到屏幕。這裏沒有輸入文件，因爲 BEGIN塊在打開輸入文件前執行，所以可以忽略輸入文件。
$ awk 'BEGIN{printf "What is your name?"; getline name < "/dev/tty" } $1 ~name {print "Found" name on line ", NR "."} END{print "See you," name "."} test。在屏幕上打印”What is your name?",並等待用戶應答。當一行輸入完畢後，getline函數從終端接收該行輸入，並把它儲存在自定義變量name中。如果第一個域匹配變量 name的值，print函數就被執行，END塊打印See you和name的值。
$ awk 'BEGIN{while (getline < "/etc/passwd" > 0) lc++; print lc}'。awk將逐行讀取文件/etc/passwd的內容，在到達文件末尾前，計數器lc一直增加，當到末尾時，打印lc的值。注意，如果文件不存 在，getline返回-1，如果到達文件的末尾就返回0，如果讀到一行，就返回1，所以命令 while (getline < "/etc/passwd")在文件不存在的情況下將陷入無限循環，因爲返回-1表示邏輯真。
-
可以在awk中打開一個管 道，且同一時刻只能有一個管道存在。通過close()可關閉管道。如：$ awk '{print $1, $2 | "sort" }' test END {close("sort")}。awd把print語句的輸出通過管道作爲linux命令sort的輸入,END塊執行關閉管道操作。
-
system函數可以在awk中執行linux的命令。如：$ awk 'BEGIN{system("clear")'。
-
fflush函數用以刷新輸出緩衝區，如果沒有參數，就刷新標準輸出的緩衝區，如果以空字符串爲參數，如fflush(""),則刷新所有文件和管道的輸出緩衝區。
awk中的條件語句是從C語言中借鑑過來的，可控制程序的流程。
格式：
{if (expression){
statement; statement; ...
}
}
$ awk '{if ($1 <$2) print $2 "too high"}' test。如果第一個域小於第二個域則打印。
$ awk '{if ($1 < $2) {count++; print "ok"}}' test.如果第一個域小於第二個域，則count加一，並打印ok。
格式：
{if (expression){
statement; statement; ...
}
else{
statement; statement; ...
}
}
$ awk '{if ($1 > 100) print $1 "bad" ; else print "ok"}' test。如果$1大於100則打印$1 bad,否則打印ok。
$ awk '{if ($1 > 100){ count++; print $1} else {count--; print $2}' test。如果$1大於100，則count加一，並打印$1，否則count減一，並打印$1。
-
awk有三種循環:while循環；for循環；special for循環。
-
$ awk '{ i = 1; while ( i <= NF ) { print NF,$i; i++}}' test。變量的初始值爲1，若i小於可等於NF(記錄中域的個數),則執行打印語句，且i增加1。直到i的值大於NF.
-
$ awk '{for (i = 1; i<NF; i++) print NF,$i}' test。作用同上。
-
breadkcontinue語句。break用於在滿足條件的情況下跳出循環；continue用於在滿足條件的情況下忽略後面的語句，直接返回循環的頂端。如：
{for ( x=3; x<=NF; x++)
if ($x<0){print "Bottomed out!"; break}}
{for ( x=3; x<=NF; x++)
if ($x==0){print "Get next item"; continue}}
-
next語句從輸入文件中讀取一行，然後從頭開始執行awk腳本。如：
{if ($1 ~/test/){next}
else {print}
}
-
exit語句用於結束awk程序，但不會略過END塊。退出狀態爲0代表成功，非零值表示出錯。
awk中的數組的下標可以是數字和字母，稱爲關聯數組。
-
用 變量作爲數組下標。如：$ awk {name[x++]=$2};END{for(i=0;i<NR;i++) print i,name[i]}' test。數組name中的下標是一個自定義變量x，awk初始化x的值爲0，在每次使用後增加1。第二個域的值被賦給name數組的各個元素。在END 模塊中，for循環被用於循環整個數組，從下標爲0的元素開始，打印那些存儲在數組中的值。因爲下標是關健字，所以它不一定從0開始，可以從任何值開始。
-
special for循環用於讀取關聯數組中的元素。格式如下：
{for (item in arrayname){$ awk '/^tom/{name[NR]=$1}; END{for(i in name){print name[i]}}' test。打印有值的數組元素。打印的順序是隨機的。
print arrayname[item]
}
}
-
用字符串作爲下標。如：count["test"]
-
用域值作爲數組的下標。一種新的 for循環方式，for (index_value in array) statement。如:$ awk '{count[$1]++} END{for(name in count) print name,count[name]}' test。該語句將打印$1中字符串出現的次數。它首先以第一個域作數組count的下標，第一個域變化，索引就變化。
-
delete 函數用於刪除數組元素。如：$ awk '{line[x++]=$1} END{for(x in line) delete(line[x])}' test。分配給數組line的是第一個域的值，所有記錄處理完成後，special for循環將刪除每一個元素。
-
sub函數匹配記錄中最大、最靠左邊的子字符串的正則表達式，並用替換字符串替換這些字符串。如果沒有指定目標字符串就默認使用整個記錄。替換隻發生在第一次匹配的時候。格式如下：
sub (regular expression, substitution string):
sub (regular expression, substitution string, target string)
實例：
$ awk '{ sub(/test/, "mytest"); print }' testfile
$ awk '{ sub(/test/, "mytest"); $1}; print }' testfile
第一個例子在整個記錄中匹配，替換隻發生在第一次匹配發生的時候。如要在整個文件中進行匹配需要用到gsub
第二個例子在整個記錄的第一個域中進行匹配，替換隻發生在第一次匹配發生的時候。
-
gsub函數作用如sub，但它在整個文檔中進行匹配。格式如下：
gsub (regular expression, substitution string)
gsub (regular expression, substitution string, target string)
實例：
$ awk '{ gsub(/test/, "mytest"); print }' testfile
$ awk '{ gsub(/test/, "mytest"), $1 }; print }' testfile
第一個例子在整個文檔中匹配test，匹配的都被替換成mytest。
第二個例子在整個文檔的第一個域中匹配，所有匹配的都被替換成mytest。
-
index函數返回子字符串第一次被匹配的位置，偏移量從位置1開始。格式如下：
index(string, substring)
實例：
$ awk '{ print index("test", "mytest") }' testfile
實例返回test在mytest的位置，結果應該是3。
-
length函數返回記錄的字符數。格式如下：
length( string )
length
實例：
$ awk '{ print length( "test" ) }'
$ awk '{ print length }' testfile
第一個實例返回test字符串的長度。
第二個實例返回testfile文件中第條記錄的字符數。
-
substr函數返回從位置1開始的子字符串，如果指定長度超過實際長度，就返回整個字符串。格式如下：
substr( string, starting position )
substr( string, starting position, length of string )
實例：
$ awk '{ print substr( "hello world", 7,11 ) }'
上例截取了world子字符串。
-
match函數返回在字符串中正則表達式位置的索引，如果找不到指定的正則表達式則返回0。match函數會設置內建變量RSTART爲字符串中子字符串的開始位置，RLENGTH爲到子字符串末尾的字符個數。substr可利於這些變量來截取字符串。函數格式如下：
match( string, regular expression )
實例：
$ awk '{start=match("this is a test",/[a-z]+$/); print start}'
$ awk '{start=match("this is a test",/[a-z]+$/); print start, RSTART, RLENGTH }'
第一個實例打印以連續小寫字符結尾的開始位置，這裏是11。
第二個實例還打印RSTART和RLENGTH變量，這裏是11(start)，11(RSTART)，4(RLENGTH)。
-
toupper和tolower函數可用於字符串大小間的轉換，該功能只在gawk中有效。格式如下：
toupper( string )
tolower( string )
實例：
$ awk '{ print toupper("test"), tolower("TEST") }'
-
split函數可按給定的分隔符把字符串分割爲一個數組。如果分隔符沒提供，則按當前FS值進行分割。格式如下：
split( string, array, field separator )
split( string, array )
實例：
$ awk '{ split( "20:18:00", time, ":" ); print time[2] }'
上例把時間按冒號分割到time數組內，並顯示第二個數組元素18。
-
systime函數返回從1970年1月1日開始到當前時間(不計閏年)的整秒數。格式如下：
systime()
實例：
$ awk '{ now = systime(); print now }'
-
strftime函數使用C庫中的strftime函數格式化時間。格式如下：
systime( [format specification][,timestamp] )
Table 3. 日期和時間格式說明符
格式 描述 %a 星期幾的縮寫(Sun) %A 星期幾的完整寫法(Sunday) %b 月名的縮寫(Oct) %B 月名的完整寫法(October) %c 本地日期和時間 %d 十進制日期 %D 日期 08/20/99 %e 日期，如果只有一位會補上一個空格 %H 用十進制表示24小時格式的小時 %I 用十進制表示12小時格式的小時 %j 從1月1日起一年中的第幾天 %m 十進制表示的月份 %M 十進制表示的分鐘 %p 12小時表示法(AM/PM) %S 十進制表示的秒 %U 十進制表示的一年中的第幾個星期(星期天作爲一個星期的開始) %w 十進制表示的星期幾(星期天是0) %W 十進制表示的一年中的第幾個星期(星期一作爲一個星期的開始) %x 重新設置本地日期(08/20/99) %X 重新設置本地時間(12：00：00) %y 兩位數字表示的年(99) %Y 當前月份 %Z 時區(PDT) %% 百分號(%) 實例：
$ awk '{ now=strftime( "%D", systime() ); print now }'
$ awk '{ now=strftime("%m/%d/%y"); print now }'
