文本数据处理之awk

一、awk简介

awk是一种优良的文本处理工具。它不仅是 linux 中也是任何环境中现有的功能最强大的数据处理引擎之一。 awk提供了极其强大的功能：可以进行样式装入、流控制、数学运算符、进程控制语句甚至于内置的变量和函数。最简单地说， awk 是一种用于处理文本的编程语言工具。
awk与grep，sed是处理文本数据必不可缺且必须熟练的处理工具。
grep : 文本过滤器
sed：流编辑器
awk : 报告生成器
二、awk的输出
awk其输出格式有两种：print和printf
print是简单的显示命令，printf 是格式化显示命令
1、print的使用格式
print item1, item2, ...
① 各项目之间使用逗号隔开，而输出时则以空白字符分隔；
② 输出的item可以为字符串或数值、当前记录的字段(如$1)、变量或awk的表达式；数值会先转换为字符串，而后再输出；
③ print命令后面的item可以省略，此时其功能相当于print $0, 因此，如果想输出空白行，则需要使用print ""；



2、printf的使用格式
printf format, item1, item2, ...
① 其与print命令的最大不同是，printf需要指定format；
② format用于指定后面的每个item的输出格式；
每一个格式对应一个字段
③ printf不会自动打印换行符；\n



3、format
format格式的指示符都以%开头，后跟一个字符；
① %c: 显示字符的ASCII码；
② %d, %i：十进制整数；
③ %e, %E：科学计数法显示数值；
④ %f: 显示浮点数；
⑤ %g, %G: 以科学计数法的格式或浮点数的格式显示数值；
⑥ %s: 显示字符串；
⑦ %u: 无符号整数；
⑧ %%: 显示%自身；
4、修饰符
① N: 显示宽度；
② -: 左对齐；



③ +：显示数值符号，默认为右对齐；
三、awk的变量

1、awk内置变量之记录变量：
FS : field separator，读取文件本时，所使用字段分隔符；
RS : Record separator，输入文本信息所使用的换行符；
OFS : Output Filed Separator，文件分隔符；
ORS：Output Row Separator，行分隔符；



2、awk内置变量之数据变量：
NR: The number of input records，awk命令所处理的记录数；如果有多个文件，这个数目会把处理的多个文件中行统一计数；
NF：Number of Field，当前记录的field个数；



FNR: 与NR不同的是，FNR用于记录正处理的行是当前这一文件中被总共处理的行数；
ARGV: 数组，保存命令行本身这个字符串，如awk '{print $0}' a.txt b.txt这个命令中， ARGV[0]保存awk，ARGV[1]保存a.txt；



ARGC: awk命令的参数的个数；
FILENAME: awk命令所处理的文件的名称；
ENVIRON：当前shell环境变量及其值的关联数组；
3、用户自定义变量
gawk允许用户自定义自己的变量以便在程序代码中使用，变量名命名规则与大多数编程语言相同，只能使用字母、数字和下划线，且不能以数字开头。gawk变量名称区分字符大小写。
① 脚本中赋值变量
在gawk中给变量赋值使用赋值语句进行
② 命令行中使用赋值变量
gawk命令也可以在“脚本”外为变量赋值，并在脚本中进行引用。

四、输出重定向
1、 print items > output-file
print items >> output-file
print items | command
2、特殊文件描述符：
/dev/stdin：标准输入
/dev/sdtout: 标准输出
/dev/stderr: 错误输出
/dev/fd/N: 某特定文件描述符

五、awk的操作符

1、算术操作符：

-x: 负值
+x: 转换为数值；
x^y: 次方
x**y: 次方
x*y: 乘法
x/y：除法
x+y: 加法
x-y: 减法
x%y: 取余
2、字符串操作符：

只有一个，而且不用写出来，用于实现字符串连接；
3、赋值操作符：
=、 +=、-=、*=、/=、%=、^=、**=、++、--
注：如果某模式为=号，此时使用/=/可能会有语法错误，应以/[=]/替代；
4、布尔值
awk中，任何非0值或非空字符串都为真，反之就为假， 与bash完全相反。
5、比较操作符
x < y 小于
x <= y 小于或等于
x > y 大于
x >= y 大于或等于



x == y 等于
x != y 不等于
x ~ y 被匹配的字符
x !~ y 不被匹配的字符



6、表达式间的逻辑关系符
&& 与
| | 或



7、条件表达式
selector?if-true-exp:if-false-exp

if selector; then
if-true-exp
else
if-false-exp
fi

8、函数调用
function_name (para1,para2)
多个参数用逗号隔开
六、awk的输出模式
1、 awk 'program' input-file1 input-file2 ...
其中的program为:
pattern { action }
pattern { action }
......

2、常见的模式类型：
Regexp: 正则表达式，格式为/regular expression/
expresssion： 关系表达式，其值非0或为非空字符时满足条件，可以是字符串或数字的比较
Ranges： 指定的匹配范围，格式为pat1,pat2
BEGIN/END：特殊模式，仅在awk命令执行前运行一次或结束前运行一次
BEGIN模式是 在真正处理之前做些准备工作的功能，END模式是 在运行之后输出相关信息。



Empty(空模式)：匹配任意输入行；
3、常见的语句动作

Expressions : 表达式
Control statements： 控制语句
Compound statements ： 组合语句
Input statements ： 输入语句
Output statements ： 输出语句
七、控制语句

1、if-else
语法：if (condition) {then-body} else {[ else-body ]}

# awk -F: '{if ($1=="root") printf "%-15s: %s\n", $1,"Admin"; else printf "%-15s: %s\n", $1, "Common User"}' /etc/passwd

2、while
此while语句在awk中的作用体现是要么做成的循环体，要么在某个片上的循环
语法： while (condition){statement1; statment2; ...}

# awk -F: '{i=1;while (i<=3) {print $i;i++}}' /etc/passwd

3、do-while
与while语句不同之处在：不管条件真假先执行一次循环体，再执行控制语句
语法： do {statement1, statement2, ...} while (condition)

# awk -F: '{i=1;do {print $i;i++}while(i<=3)}' /etc/passwd

4、for
语法： for ( variable assignment; condition; iteration process) { statement1, statement2, ...}

# awk -F: '{for(i=1;i<=NF;i++) { if (length($i)>=4) {print $i}}}' /etc/passwd

for循环还可以用来遍历数组元素
语法： for (i in array) {statement1, statement2, ...}

# awk -F: '$NF!~/^$/{BASH[$NF]++}END{for(A in BASH){printf "%15s:%i\n",A,BASH[A]}}' /etc/passwd

5、case
语法：switch (expression) { case VALUE or /REGEXP/: statement1, statement2,... default: statement1, ...}

6、break 和 continue
常用于循环或case语句中
7、 next
提前结束对本行文本的处理，并接着处理下一行

# awk -F: '{if($3%2==0) next;print $1,$3}' /etc/passwd

八、awk中使用的数组

1、数组
array[index-expression]
index-expression可以使用任意字符串；需要注意的是，如果某数据组元素事先不存在，那么在引用其时，awk会自动创建此元素并初始化为空串；因此，要判断某数据组中是否存在某元素，需要使用index in array的方式。

# netstat -ant | awk '/^tcp/ {++S[$NF]} END {for(a in S) print a, S[a]}'

2、要遍历数组中的每一个元素，需要使用如下的特殊结构
for (var in array) { statement1, ... }
其中var用于引用数组下标，而不是元素值
3、删除数组变量

从关系数组中删除数组索引需要使用delete命令。使用格式为
delete array[index]
九、awk的内置函数

1、split(string, array [, fieldsep [, seps ] ])
功能：将string表示的字符串以fieldsep为分隔符进行分隔，并将分隔后的结果保存至array为名的数组中；数组下标为从0开始的序列；
2、length([string])
功能：返回string字符串中字符的个数；
3、substr(string, start [, length])
功能：取string字符串中的子串，从start开始，取length个；start从1开始计数；
4、system(command)
功能：执行系统command并将结果返回至awk命令
5、systime()
功能：取系统当前时间
6、tolower(s)
功能：将s中的所有字母转为小写
7、toupper(s)
功能：将s中的所有字母转为大写

本文出自 “丿Sky 灬ONE PEICE” 博客，转载请与作者联系！