本文模仿十三问,以提问和回答的方式介绍
awk的一些基础知识。论坛里awk高手众多,有错误的地方还请大家指正。
本文所有用例的测试环境采用
unix-center的ubuntu
服务器
http://www.unix-center.net/
具体版本如下:
- ly5066113@ubuntu:~$ uname -a
- Linux ubuntu 2.6.24-22-generic #1 SMP Mon Nov 24 19:35:06 UTC 2008 x86_64 GNU/Linux
- ly5066113@ubuntu:~$ bash --version
- GNU bash, version 3.2.39(1)-release (x86_64-pc-linux-gnu)
- Copyright (C) 2007 Free Software Foundation, Inc.
- ly5066113@ubuntu:~$ awk --version
- GNU Awk 3.1.6
- Copyright (C) 1989, 1991-2007 Free Software Foundation.
复制代码
一、RS 与 ORS 差在哪
我们经常会说,awk是基于行列操作文本的,但如何定义“行”呢?这就是RS的作用。
默认情况下,RS的值是\n。下面通过实例来理解下RS。
- ly5066113@ubuntu:~$ echo '1a2a3a4a5' | awk '{print $1}'
- 1a2a3a4a5
- ly5066113@ubuntu:~$ echo '1a2a3a4a5' | awk 'BEGIN{RS="a"}{print $1}'
- 1
- 2
- 3
- 4
- 5
复制代码
我们可以看到,在更改了RS的值后,awk定义的行已经不是我们实际意义中的行了。
上面RS固定的字符串,RS也可以定义为正则表达式。
- ly5066113@ubuntu:~$ echo '1ab2bc3cd4de5' | awk 'BEGIN{RS="[a-z]+"}{print $1,RS,RT}'
- 1 [a-z]+ ab
- 2 [a-z]+ bc
- 3 [a-z]+ cd
- 4 [a-z]+ de
- 5 [a-z]+
复制代码
当我们将RS设置为正则表达式的时候,RT这个变量就有作用了,RS的值始终为我们设定的正则,RT的值则是这个正则实际匹配到的内容。
下面我们看看将RS设置为空会是什么情况
- ly5066113@ubuntu:~$ cat urfile
- 1
- 2
- 3
- 4
- ly5066113@ubuntu:~$ awk 'BEGIN{RS=""}{print $0}' urfile
- 1
- 2
- 3
- 4
复制代码
如果RS被设置为空,那么awk会将连续的空行作为行分隔符,与RS设置成"\n\n+"有什么区别???
1、忽略
文件开头和结尾的空行。且文件不以记录分隔符结束,即最后不是空行,会将最后一个记录的尾\n去掉
2、不设置RT变量(测试未发现规律,暂时认为RT变量不可用)
3、影响FS变量
这个怎么理解?对于1、2两点,当作习题留给大家自己测试,3我们下节来讲。
总结下RS的3种情况:
1) 非空字符串
以固定字符串作为行分隔符,同时设置变量RT为固定字符串
2) 正则表达式
以正则表达式作为行分隔符,同时设置变量RT为正则表达式实际匹配到的字符串
3) 空字符
以连续的空行作为行分隔符,如果FS为单个字符,会将\n强制加入到FS变量中
理解了RS,再来理解ORS就简单了。RS是awk读取文件时的行分隔符,ORS则是awk输出时的行结束符。
更简单的讲,就是awk在输出时,会在每行记录后面增加一个ORS变量所设定的值。
ORS的值只能设定为字符串,默认情况下,ORS的值是\n
- ly5066113@ubuntu:~$ seq 5 | awk '{print $0}'
- 1
- 2
- 3
- 4
- 5
- ly5066113@ubuntu:~$ seq 5 | awk 'BEGIN{ORS="a"}{print $0}'
- 1a2a3a4a5a
复制代码
我们平常用的 print $0 等价于 printf $0 ORS
二、FS 与 OFS 差在哪
RS是awk用来定义“行”的,那么FS就是awk用来定义“列”的。
设置变量 FS 与使用 -F 参数是一样的。
- ly5066113@ubuntu:~$ echo '1,2' | awk -F , '{print $1}'
- 1
- ly5066113@ubuntu:~$ echo '1,2' | awk 'BEGIN{FS=","}{print $1}'
- 1
复制代码
与 RS 类似,FS 同样可以设置为正则表达式
- ly5066113@ubuntu:~$ echo '1ab2bc3cd4de5' | awk 'BEGIN{FS="[a-z]+"}{print $1,$2,$5}'
- 1 2 5
复制代码
FS 有1个特例,就是将FS设置为一个空格,FS=" " ,这也是FS的默认值
- In the special case that FS is a single space, fields are separated by runs of spaces and/or tabs and/or newlines.
复制代码
此时,awk会将连续的 空格 或 制表符(\t) 或 换行符(\n) 作为列的分隔符
那么,FS=" " 与 FS="[ \t\n]+" 有区别么???
答案是肯定的
- ly5066113@ubuntu:~$ echo ' 1 2' | awk 'BEGIN{FS=" "}{print $1}'
- 1
- ly5066113@ubuntu:~$ echo ' 1 2' | awk 'BEGIN{FS="[ \t\n]+"}{print $1}'
复制代码
当FS=" "时,awk会自动去掉行首和行尾的 空格 或 制表符(\t) 或 换行符(\n),但FS="[ \t\n]+"是不会的
同样,FS也可以设置为空
- ly5066113@ubuntu:~$ echo '123' | awk 'BEGIN{FS=""}{print $1,$2}'
- 1 2
复制代码
当FS被设置为空字符串的时候,awk会将一行记录的每个字符做为单独的一列
类似的,当我们想以固定的长度来分隔列的时候,可以使用 FIELDWIDTHS 来代替 FS
例如,一行记录的前3个字符作为第一列,接下来的2个字符作为第二列,接下来的4个字符作为第三列
- ly5066113@ubuntu:~$ echo '123456789' | awk 'BEGIN{FIELDWIDTHS="3 2 4"}{print $1,$2,$3}'
- 123 45 6789
- ly5066113@ubuntu:~$ echo '123456789' | awk 'BEGIN{FIELDWIDTHS="3 2 3"}{print $1,$2,$3}'
- 123 45 678
- ly5066113@ubuntu:~$ echo '123456789' | awk 'BEGIN{FIELDWIDTHS="3 2 5"}{print $1,$2,$3}'
- 123 45 6789
复制代码
如果定义的长度小于实际的长度,awk会截断,如果大于实际长度,则以实际长度为准。
总结下FS的4种情况:
1) 非空字符串
以固定字符串作为列分隔符
2) 正则表达式
以正则表达式作为列分隔符
3) 单个空格
以连续的 空格 或 制表符(\t) 或 换行符(\n)作为列分隔符
4) 空字符
以每个字符做为单独的一列
接下来我们来看看上节提到的问题:
当 RS="" 时,会将\n强制加入到FS变量中
- ly5066113@ubuntu:~$ cat urfile
- 1
- a
- 2
- a
- 3
- ly5066113@ubuntu:~$ awk -v RS="" '{print "#" $0 "#"}' urfile
- #1
- a#
- #2
- a#
- #3#
- ly5066113@ubuntu:~$ awk -F "b" -v RS="" '{print $1}' urfile
- 1
- 2
- 3
- ly5066113@ubuntu:~$ awk -F "c" -v RS="" '{print $1}' urfile
- 1
- 2
- 3
- ly5066113@ubuntu:~$ awk -F "c" -v RS="\n\n+" '{print "#" $1 "#"}' urfile
- #1
- a#
- #2
- a#
- #3
- #
复制代码
如果FS为单个字符,\n始终存在在 FS 中,而 RS="\n\n+" 则不会。
了解的 FS ,我们来看看 OFS ,FS是awk读入记录时的列分隔符,OFS则是awk输出时的列分隔符。
我们平时使用的 print $1,$2 等价于 print $1 OFS $2
- ly5066113@ubuntu:~$ echo '1 2' | awk -v OFS="|" '{print $1,$2}'
- 1|2
- ly5066113@ubuntu:~$ echo '1 2' | awk -v OFS="|" '{print $1 OFS $2}'
- 1|2
复制代码
如果一行记录有很多列,同时想改变输出的分隔符,print $1,$2,$3 ... 岂不是很麻烦?
当然有简单的方法:
- ly5066113@ubuntu:~$ echo '1 2 3 4 5' | awk -v OFS="|" '{print $0}'
- 1 2 3 4 5
- ly5066113@ubuntu:~$ echo '1 2 3 4 5' | awk -v OFS="|" '{$1=$1;print $0}'
- 1|2|3|4|5
- ly5066113@ubuntu:~$ echo '1 2 3 4 5' | awk -v OFS="|" '{NF+=0;print $0}'
- 1|2|3|4|5
复制代码
为了使OFS的设置生效,需要改变 $0 ,这里我们是对 awk 撒了个小谎
$1=$1 或者 NF+=0, $0 本身的内容实际上没有任何改变,只是为了使 OFS 的设置生效
在理解了 RS 和 FS 之后,我们来回顾开始的那句话:“awk是基于行列操作文本的”
这个说法实际上不是很准确,因为在改变了 RS 后,awk 中的“行”已经不是一般的“行”了
同样,改变了 FS 后,awk 中的“列”也已经不是一般的“列”了
因此,准确的应该这样讲:“awk是基于 记录(record) 和 域(field) 操作文本的”
三、0 与 "0" 差在哪
我们先来看一个例子:
- ly5066113@ubuntu:~$ awk 'BEGIN{if(0) print "true";else print "false"}'
- false
- ly5066113@ubuntu:~$ awk 'BEGIN{if("0") print "true";else print "false"}'
- true
复制代码
为什么同样是 0 ,结果却不一样?
其实要解释这个问题,只需要弄清楚awk中的“真”与“假”。
以下3种情况是“假”,其他情况都为“真”
1) 数字 0
2) 空字符串
3) 未定义的值
- ly5066113@ubuntu:~$ awk 'BEGIN{a=0;if(a) print "true";else print "false"}'
- false
- ly5066113@ubuntu:~$ awk 'BEGIN{a="";if(a) print "true";else print "false"}'
- false
- ly5066113@ubuntu:~$ awk 'BEGIN{if(a) print "true";else print "false"}'
- false
复制代码
以上是普通的字符测试,对于是表达式的情况,先计算表达式,然后将结果按上面的情况测试
- ly5066113@ubuntu:~$ awk 'BEGIN{if(a=1) print "true";else print "false"}'
- true
- ly5066113@ubuntu:~$ awk 'BEGIN{if(a=0) print "true";else print "false"}'
- false
- ly5066113@ubuntu:~$ awk 'BEGIN{if(a="0") print "true";else print "false"}'
- true
- ly5066113@ubuntu:~$ awk 'BEGIN{if(a="") print "true";else print "false"}'
- false
- ly5066113@ubuntu:~$ awk 'BEGIN{if(a=a) print "true";else print "false"}'
- false
复制代码
来看一个被大家称为月经的问题,awk如何去重?
在解释之前,我们先要了解awk的一个特性:
awk 会根据语境来给未定义的变量赋初始值
- ly5066113@ubuntu:~$ awk 'BEGIN{print a "" 1}'
- 1
- ly5066113@ubuntu:~$ awk 'BEGIN{print a + 1}'
- 1
复制代码
对于未定义的变量,如果要进行字符串操作,会被赋成空字符串 ""
如果要进行数学运算,会被赋成数字 0
现在我们看看上面的代码 ! a[$0] ++ 等价于 if(! a[$0] ++) print $0
对于首次出现的记录,a[$0]的值是未定义的,由于后面的 ++ 是数学计算,所以a[$0]会被赋值成数字0
也是由于 ++ 操作符,会先取值,再计算,所以对于第一行记录实际上是if(! 0) print $0
! 是取反,0 是假,! 0 就是真,那么就会执行后面的 print $0
对于后面出现的重复记录,a[$0] 经过 ++ 的计算已经变为 1、2、3 。。。
而 ! 1 ! 2 ! 3 ... 都为假,不会打印。
下面我们用黑哥的一段代码来深刻体会一下,用awk打印奇数行:
- ly5066113@ubuntu:~$ seq 10 | awk 'i=!i'
- 1
- 3
- 5
- 7
- 9
复制代码
你想明白了么?
四、NR 与 FNR 差在哪
NR与FNR在awk处理单个文件时是没有区别的,处理多个文件时才有区别,我们先看个例子:
- ly5066113@ubuntu:~$ awk '{print FILENAME,"NR="NR,"FNR="FNR,$0}' a.txt b.txt c.txt
- a.txt NR=1 FNR=1 a
- a.txt NR=2 FNR=2 b
- a.txt NR=3 FNR=3 c
- b.txt NR=4 FNR=1 d
- b.txt NR=5 FNR=2 e
- b.txt NR=6 FNR=3 f
- c.txt NR=7 FNR=1 g
- c.txt NR=8 FNR=2 h
- c.txt NR=9 FNR=3 i
复制代码
我们可以看到,NR是awk处理的总记录数,无论多少个文件,是一直累加的
而FNR是awk处理当前文件的记录数,当文件变化的时候是重新记数的
上面还有出现了一个变量FILENAME,这个变量的值就是awk当前处理的文件的文件名
这里我们还有几个变量需要了解:ARGV、ARGC、ARGIND
ARGV 是一个数组,它记录着命令行的所有参数的值
ARGC 是命令行参数的个数,(不包括-F、-v之类的awk参数)
ARGIND 是ARGV数组的索引值,从0到ARGC-1
当我们想去了解这些变量时,最简单并且最有效的方法就是print
- ly5066113@ubuntu:~$ awk 'BEGIN{for(i=0;i<ARGC;i++) print "ARGV["i"]="ARGV[i]}{print ARGV[ARGIND],ARGIND,ARGC,$0}' [abc].txt
- ARGV[0]=awk
- ARGV[1]=a.txt
- ARGV[2]=b.txt
- ARGV[3]=c.txt
- a.txt 1 4 a
- a.txt 1 4 b
- a.txt 1 4 c
- b.txt 2 4 d
- b.txt 2 4 e
- b.txt 2 4 f
- c.txt 3 4 g
- c.txt 3 4 h
- c.txt 3 4 i
复制代码
那么,ARGV[ARGIND]与FILENAME是否等价呢?
一般情况下,在awk处理文件时,两者是一样的
我们看看其他一些特殊的情况;
- ly5066113@ubuntu:~$ awk 'BEGIN{print FILENAME,ARGV[ARGIND]}'
- awk
- ly5066113@ubuntu:~$ awk 'BEGIN{getline;print FILENAME,ARGV[ARGIND],$0}'
- 123
- - awk 123
- ly5066113@ubuntu:~$ awk 'BEGIN{getline;print FILENAME,ARGV[ARGIND],$0}' a.txt
- a.txt a.txt a
- ly5066113@ubuntu:~$ awk 'BEGIN{getline<"a.txt";print FILENAME,ARGV[ARGIND],$0}'
- awk a
复制代码
我们可以看到,在任何情况下,ARGV[ARGIND]始终是有值的,而FILENAME则不一定
- FILENAME The name of the current input file. If no files are specified on the command line, the value of FILENAME is "-". However, FILENAME is undefined inside
- the BEGIN block (unless set by getline).
复制代码
下面我们用一个简单的例子来理解下上面的内容;
实现 head 命令的功能
我想这个问题大家一定都会:
但这里我们希望是用awk处理多个文件,先来看看head处理多个文件的情况:
- ly5066113@ubuntu:~$ head [abc].txt
- ==> a.txt <==
- a
- b
- c
- ==> b.txt <==
- d
- e
- f
- ==> c.txt <==
- g
- h
- i
复制代码
下面我们用awk来达到这个效果:
- ly5066113@ubuntu:~$ awk 'FNR==1{if(NR>1) print "";print "==> "FILENAME" <=="}FNR<=10' [abc].txt
- ==> a.txt <==
- a
- b
- c
- ==> b.txt <==
- d
- e
- f
- ==> c.txt <==
- g
- h
- i
复制代码
让我们再深入考虑下,head在处理文件时,无论文件多大,速度都是很快的,awk是否也可以呢?
上面的代码当然不可以,因为awk会处理整个文件,文件越大,速度越慢。
单个文件时可以这样改写:
多个文件时用exit就不行了,因为这样awk处理一个文件后就结束了,我们可以用nextfile
- awk 'FNR==1{if(NR>1) print "";print "==> "FILENAME" <=="}1;FNR==10{nextfile}' [abc].txt
复制代码
nextfile就是停止处理当前文件,开始处理下一个文件。
我们再来看一个例子:
每三个文件合并为一个大文件
http://bbs.chinaunix.net/viewthread.
php?tid=1792571
帖子里的方法是用while read的方式实现的,下面给一个纯awk的方法:
- ly5066113@ubuntu:~$ awk 'FNR==1&&ARGIND%3==1{if(ARGIND>1){print s>f;s=""};f=sprintf("file%02d-%02d",ARGIND,ARGIND+2)}/^set/{print $0>f}/^plot/{$1=s?"":$1;s=s?s","$0:$0}END{print s>f}' file[0-9][0-9]
- ly5066113@ubuntu:~$ cat file01-03
- set arrow from 7,1633 to 8,1383
- set label "9575(100916104th)" at 6.5,1683
- set arrow from 7,1633 to 8,1383
- set label "9575(100916104th)" at 6.5,1683
- set arrow from 7,1633 to 8,1383
- set label "9575(100916104th)" at 6.5,1683
- plot "diff_029.file" with linespoints, "diff_029.file" with linespoints, "diff_029.file" with linespoints
- ly5066113@ubuntu:~$ cat file04-06
- set arrow from 7,1633 to 8,1385
- set label "9575(100916104th)" at 6.5,1685
- set arrow from 7,1633 to 8,1383
- set label "9575(100916104th)" at 6.5,1683
- set arrow from 7,1633 to 8,1383
- set label "9575(100916104th)" at 6.5,1683
- plot "diff_029.file" with linespoints, "diff_029.file" with linespoints, "diff_029.file" with linespoints
复制代码
awk处理多个文件,是不是没想象中那么复杂呢?
五、> 与 >> 差在哪
这里的>和>>是awk内部的,不要和
shell本身的>和>>混淆。
- ly5066113@ubuntu:~$ awk '{print NR,$0}' a.txt > b.txt
- ly5066113@ubuntu:~$ cat b.txt
- 1 a
- 2 b
- 3 c
- ly5066113@ubuntu:~$ awk '{print NR,$0 > "b.txt"}' a.txt
- ly5066113@ubuntu:~$ cat b.txt
- 1 a
- 2 b
- 3 c
复制代码
第一句awk命令中的 > 就是shell本身的IO重定向,第二句awk命令中的 > 是awk内部的IO重定向
awk中的 > 和 >> 类似
perl的文件句柄,只在首次打开文件时有区别:
- ly5066113@ubuntu:~$ rm b.txt
- ly5066113@ubuntu:~$ awk '{print NR,$0 > "b.txt"}' a.txt
- ly5066113@ubuntu:~$ cat b.txt
- 1 a
- 2 b
- 3 c
- ly5066113@ubuntu:~$ rm b.txt
- ly5066113@ubuntu:~$ awk '{print NR,$0 >> "b.txt"}' a.txt
- ly5066113@ubuntu:~$ cat b.txt
- 1 a
- 2 b
- 3 c
- ly5066113@ubuntu:~$ awk '{print NR,$0 > "b.txt"}' a.txt
- ly5066113@ubuntu:~$ cat b.txt
- 1 a
- 2 b
- 3 c
- ly5066113@ubuntu:~$ awk '{print NR,$0 >> "b.txt"}' a.txt
- ly5066113@ubuntu:~$ cat b.txt
- 1 a
- 2 b
- 3 c
- 1 a
- 2 b
- 3 c
复制代码
如果文件不存在,那么 > 和 >> 是一样的
如果文件已经存在,> 会覆盖原文件,>> 则是追加
我们看到,在打开文件后,awk会一直向文件里追加记录,那么可以在awk里关闭文件么?
这时我们就需要用到 close
- ly5066113@ubuntu:~$ awk '{print NR,$0 > "b.txt";close("b.txt")}' a.txt
- ly5066113@ubuntu:~$ cat b.txt
- 3 c
复制代码
每次写入后都关闭文件,那么下次写入时就又重新打开文件
而每次打开又是覆盖的方式,这样b.txt里最后就只剩下a.txt的最后一行记录
说到awk中的IO就不得不提 getline
- getline Set $0 from next input record; set NF, NR, FNR.
- getline <file Set $0 from next record of file; set NF.
- getline var Set var from next input record; set NR, FNR.
- getline var <file Set var from next record of file.
- command | getline [var]
- Run command piping the output either into $0 or var, as above.
复制代码
getline的用法很灵活,可以从awk当前处理的文件中获取下一行记录
也可以从外部的文件或者管道中获取记录,每次只取一行,赋给$0或者变量var
先来看个简单的例子,实现 grep -A1
- ly5066113@ubuntu:~$ seq 10 | grep -A1 5
- 5
- 6
- ly5066113@ubuntu:~$ seq 10 | awk '/5/{print;getline;print}'
- 5
- 6
复制代码
再看个例子:
有没有将两个输出或者说变量上每列分别合在一起的方法
http://bbs3.chinaunix.net/viewthread.php?tid=1752341
- $ var1='a
- > b
- > c
- > d'
- $ var2='A
- > B
- > C
- > D'
- $ export var2
- $ echo "$var1" | awk '{"echo \042$var2\042"|getline var2;print $1""var2}'
- aA
- bB
- cC
- dD
复制代码
你看懂了么?
未完,待续 。。。