linux文本处理三剑客之awk的详解

awk概述

awk–>pattern scanning and text processing language
它的作者有三个人，分别是a.k.a. Aho, Kernighan and Weinberger（故为awk）
此外还有new awk:nawk; gnome awk:gawk

awk的使用

awk [options] ‘script’ file1 file2, …
awk [options] ‘PATTERN { action}’ file1 file2 , …

一、awk的输出print

print的使用格式：
print item1, item2, …
要点：
1.个项目之间使用逗号隔开，而输出时则以空白字符隔开；
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；
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，则使用print “”;
列子：
awk ‘BEGIN{print “line one\nline two\nline three”}’
awk -F: ‘{print $1, $3}’ /etc/passwd

二、awk变量

2.1 awk 内置变量之记录变量：
FS： field separator
RS: Record separator
OFS: Output Field separator
ORS: Output Row Separator

awk -F:
OFS="#"
FS=":"

2.2 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的行统一计数；
NF：Number of Field
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命令参数的个数；
FILENAME：awk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；

如：awk ‘BEGIN{print ENVIRON[“PATH”]}’

2.3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。

2.3.1 在脚本中赋值变量

在gawk中给变量赋值使用赋值语句进行，例如：
awk ‘BEGIN{var=“variable testing”;print var}’

2.3.2 在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。例如，上述的例子还可以改写为：
awk -v var=“variable testing” ‘BEGIN{print var}’

三、printf

printf命令的使用格式：
printf format, item1, item2, …

要点：
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；
3、printf语句不会自动打印换行符；\n

format格式的指示符都以%开头，后跟一个字符；如下：
%c: 显示字符的ASCII码；
%d, %i：十进制整数；
%e, %E：科学计数法显示数值；
%f: 显示浮点数；
%g, %G: 以科学计数法的格式或浮点数的格式显示数值；
%s: 显示字符串；
%u: 无符号整数；
%%: 显示%自身；

修饰符：
N: 显示宽度；
-: 左对齐；
+：显示数值符号；

例子：
awk -F: ‘{printf “%-15s %i\n”,$1,$3}’ /etc/passwd

四、输出重定向

print items > output-file
print items >> output-file
print items | command

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，如/dev/stdin就相当于/dev/fd/0；

例子：
awk -F: ‘{printf “%-15s %i\n”,$1,$3 > “/dev/stderr” }’ /etc/passwd

六、awk的操作符：

6.1 算术操作符：

-x: 负值
+x: 转换为数值；
x^y:
x**y: 次方
x*y: 乘法
x/y：除法
x+y:
x-y:
x%y:

6.2 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；

6.3 赋值操作符：

=
+=
-=
*=
/=
%=
^=
**=

++

需要注意的是，如果某模式为=号，此时使用/=/可能会有语法错误，应以/[=]/替代；

6.4 布尔值

awk中，任何非0值或非空字符串都为真，反之就为假；

6.5 比较操作符：

x < y True if x is less than y.
x <= y True if x is less than or equal to y.
x > y True if x is greater than y.
x >= y True if x is greater than or equal to y.
x == y True if x is equal to y.
x != y True if x is not equal to y.
x ~ y True if the string x matches the regexp denoted by y.
x !~ y True if the string x does not match the regexp denoted by y.
subscript in array True if the array array has an element with the subscript subscript.

6.7 表达式间的逻辑关系符：

&&
||

6.8 条件表达式：

selector?if-true-exp:if-false-exp

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

a=3
b=4
a>b?a is max:b ia max

6.9 函数调用：
function_name (para1,para2)

七 awk的模式：

awk ‘program’ input-file1 input-file2 …
其中的program为:
pattern { action }
pattern { action }
…

7.1 常见的模式类型：

1、Regexp: 正则表达式，格式为/regular expression/
2、expresssion： 表达式，其值非0或为非空字符时满足条件，如：$1 ~ /foo/ 或 $1 “magedu”，用运算符_(匹配)和!(不匹配)。
3、Ranges： 指定的匹配范围，格式为pat1,pat2
4、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
5、Empty(空模式)：匹配任意输入行；

7.2 常见的Action

1、Expressions:
2、Control statements
3、Compound statements
4、Input statements
5、Output statements

/正则表达式/：使用通配符的扩展集。

关系表达式：可以用下面运算符表中的关系运算符进行操作，可以是字符串或数字的比较，如$2>%1选择第二个字段比第一个字段长的行。

模式匹配表达式：

模式，模式：指定一个行的范围。该语法不能包括BEGIN和END模式。

BEGIN：让用户指定在第一条输入记录被处理之前所发生的动作，通常可在这里设置全局变量。

END：让用户在最后一条输入记录被读取之后发生的动作。

八 控制语句：

8.1 if-else

语法：if (condition) {then-body} else {[ else-body ]}
例子：
awk -F: ‘{if ($1==“root”) print $1, “Admin”; else print $1, “Common User”}’ /etc/passwd
awk -F: ‘{if ($1==“root”) printf “%-15s: %s\n”, $1,“Admin”; else printf “%-15s: %s\n”, $1, “Common User”}’ /etc/passwd
awk -F: -v sum=0 ‘{if ($3>=500) sum++}END{print sum}’ /etc/passwd

8.2 while

语法： while (condition){statement1; statment2; …}
awk -F: ‘{i=1;while (i<=3) {print KaTeX parse error: Expected 'EOF', got '}' at position 6: i;i++}̲}' /etc/passwd …i)>=4) {print $i}; i++ }}’ /etc/passwd

8.3 do-while

语法： do {statement1, statement2, …} while (condition)
awk -F: ‘{i=1;do {print $i;i++}while(i<=3)}’ /etc/passwd

8.4 for

语法： for ( variable assignment; condition; iteration process) { statement1, statement2, …}
awk -F: ‘{for(i=1;i<=3;i++) print KaTeX parse error: Expected 'EOF', got '}' at position 2: i}̲' /etc/passwd a…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: ‘KaTeX parse error: Expected group after '^' at position 6: NF!~/^̲/{BASH[$NF]++}END{for(A in BASH){printf “%15s:%i\n”,A,BASH[A]}}’ /etc/passwd

8.5 case

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

8.6 break 和 continue

常用于循环或case语句中

8.7 next

提前结束对本行文本的处理，并接着处理下一行；例如，下面的命令将显示其ID号为奇数的用户：
#awk -F: '{if($3%20) next;print $1,$3}’ /etc/passwd

九 awk中使用数组

9.1 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。

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；

例子：
netstat -ant | awk '/^tcp/ {++S[KaTeX parse error: Expected 'EOF', got '}' at position 4: NF]}̲ END {for(a in …NF]就加1，NF为当前匹配到的行的最后一个字段，此处用其值做为数组S的元素索引；

awk ‘{counts[$1]++}; END {for(url in counts) print counts[url], url}’ /var/log/httpd/access_log
用法与上一个例子相同，用于统计某日志文件中IP地的访问量

9.2 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]

十、awk的内置函数

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；

netstat -ant | awk ‘/:80>/{split($5,clients,"?;IP[clients[1]]++}END{for(i in IP){print IP[i],i}}’ | sort -rn | head -50

length([string])
功能：返回string字符串中字符的个数；

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；

system(command)
功能：执行系统command并将结果返回至awk命令

systime()
功能：取系统当前时间

tolower(s)
功能：将s中的所有字母转为小写

toupper(s)
功能：将s中的所有字母转为大写

十一、用户自定义函数

自定义函数使用function关键字。格式如下：

function F_NAME([variable])
{
statements
}

函数还可以使用return语句返回值，格式为“return value”。