欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  科技

gawk GNU 的 awk,具有很强的文本处理功能

程序员文章站 2022-04-13 19:09:33
gawk GNU 的 awk,具有很强的文本处理功能...

【gawk 是 gnu 的 awk,具有很强的文本处理功能,简洁优美。】
第一章 前言
第二章 简介
第三章 读取输入档案
第四章 印出
第五章 patterns
第六章 算式(expression)作为actions的叙述
第七章 actions里面的控制叙述
第八章 内建函式(built-in functions)
第九章 使用者定义的函式
第十章 实例

第一章 前言

awk 是一个程式语言,对于文本处理具有很强的功能。对於文字档里的资料做修改、比对、抽取等的处理,awk 能够以很短的程式
轻易地完成。
awk 能够依照使用者的定义格式来分解输入,也可依照使用者定义的格式来打印输出。

awk 名称的由来是由它的原始设计者的姓氏之第一个字母而命名:alfred v. aho, peter j. weinberger, brian w. kernighan。
awk最初在1977年完成。一个新版本的awk在1985年被发表,它的功能比旧版本增强不少。

gawk 是gnu所做的 awk,gawk 最初在1986年完成,之後不断地被改进、更新,gawk 包含 awk 的所有功能。

后面的 gawk 将以下面的2个输入档案来做例子说明。

档案'bbs-list':
aardvark 555-5553 1200/300 b
alpo-net 555-3412 2400/1200/300 a
barfly 555-7685 1200/300 a
bites 555-1675 2400/1200/300 a
camelot 555-0542 300 c
core 555-2912 1200/300 c
fooey 555-1234 2400/1200/300 b
foot 555-6699 1200/300 b
macfoo 555-6480 1200/300 a
sdace 555-3430 2400/1200/300 a
sabafoo 555-2127 1200/300 c

档案'shipped':
jan 13 25 15 115
feb 15 32 24 226
mar 15 24 34 228
apr 31 52 63 420
may 16 34 29 208
jun 31 42 75 492
jul 24 34 67 436
aug 15 34 47 316
sep 13 55 37 277
oct 29 54 68 525
nov 20 87 82 577
dec 17 35 61 401

jan 21 36 64 620
feb 26 58 80 652
mar 24 75 70 495
apr 21 70 74 514

第二章 简介

gawk 的主要功能是针对档案的每一行(line)搜寻指定的 patterns。当一行里有符合指定的 patterns,gawk 就会在此一行执行被指定
的 actions。 gawk 依此方式处理输入档案的每一行直到输入档案结束。

gawk 程式是由很多的 pattern 与 action 所组成,action 写在大括号 { } 里面,一个pattern後面就跟著一个action。整个 gawk 程
式会像下面的样子:
pattern {action}
pattern {action}

在 gawk 程式里面的规则,pattern 或 action 能够被省略,但是两个不能同时被省略。

如果 pattern 被省略,对於输入档里面的每一行,action 都会被执行。如果 action 被省略,内定的 action则会印出所有符合 pattern 的输入行。


2.1 如何执行gawk程式

基本上,有2个方法可以执行gawk程式。

如果 gawk 程式很短,则 gawk 可以直接写在 command line


代码如下:

如果 gawk 程式较长,较为方便的做法是将 gawk程序放在文件里


代码如下:

gawk 程式的档案不止一个时,执行gawk 的格式如下所示:

gawk -f program-file1 -f program-file2 ... input-file1 input-file2 ...

2.2 一个简单的例子


代码如下:

实际的 gawk 程式为 /foo/ {print $0}。/foo/ 为 pattern,意思为搜寻输入档里的每一行是否含有子字串 'foo',如果含有 'foo' 则执行 action。
action 为 print $0,是将现在这一行的内容印出。bbs-list 是输入的档案。
会印出下面的结果:
fooey 555-1234 2400/1200/300 b
foot 555-6699 1200/300 b
macfoo 555-6480 1200/300 a
sabafoo 555-2127 1200/300 c

2.3 一个较复杂的例子


代码如下:

现在这个例子会将输入档 'shipped' 的第一个栏位与 "feb" 做比较,如果相等,则其对应的第2栏位与第3栏位的值会被加到变数 sum。
对於输入档的每一行重复上述的动作,直到输入档的每一行都被处理过为止。最後将 sum 的值印出。end {print sum} 的意思为在所有的输
入读完之後,执行一次 print sum 的动作,也就是把 sum 的值印出。
下面是执行的结果:
84

第三章 读取输入档案

gawk的输入可以从标准输入或指定的档案里读取。

输入的读取单位被称为“记录”(records),gawk 在做处理时,是一个记录一个记录地处理。

一个记录又被分为多个字段(fields)。
默认情况下,一个记录为一行,即一行为单位处理;字段之间以空符号分隔,空格或者制表符(tab)


3.1 如何将输入分解成记录(records)

gawk 语言会把输入分解成记录(record)。记录与记录之间是以record separator 隔开,record separator 的内定值是表示新一行的
字元(newline character),因此内定的 record separator 使得文字的每一行是一个记录。
record separator 随著内建变数 rs 的改变而改变。rs 是一个字串,它的内定值是"\n"。仅有 rs 的第一个字元是有效的,它被当作 record
separator,而 rs 的其它字元会被忽略。

内建变数 fnr 会储存目前的输入档案已经被读取的记录之个数。

内建变数 nr 会储存目前为止所有的输入档案已经被读取的记录之个数。


3.2 字段(field)

gawk 会自动将每个记录分解成多个栏位 (field)。类似於字在一行里面,gawk 的内定动作会认为栏位之间是以 whitespace 分开。在
gawk 里,whitespace 的意思是一个或多个空白或 tabs。
在 gawk 程式里面,以'$1'表示第一个栏位,'$2'表示第二个栏位,依此类推。$0表示整个记录。

举个例子,假设输入的一行如下所示:

this seems like a pretty nice example.

第一个栏位或 $1 是'this',第二个栏位或 $2 是 'seems',依此类推。
有个地方值得特别注意,第七个栏位或 $7 是'example.'而非'example'。

不论有多少栏位,$nf 可用来表示一个记录的最後一个栏位。以上面的例子为例,$nf 与 $7 相同,也就是'example.'。

nf 是一个内建变数,它的值表示目前这个记录之栏位的个数。

下面是一个较复杂的例子:


代码如下:

结果如下:
fooey 555-1234 2400/1200/300 b
foot 555-6699 1200/300 b
macfoo 555-6480 1200/300 a
sabafoo 555-2127 1200/300 c

这个例子是把输入档'bbs-list'的每个记录的第一个栏位作检查,如果它含有子字串'foo',则这一个记录会被印出。


3.3 如何将记录分解成栏位

gawk 根据 field separator 将一个记录分解成栏位。field separator 以内建变数 fs 表示。

举个例子,假如 field separator 是'oo',则下面的行:

moo goo gai pan

会被分成三个栏位:'m'、' g'、' gai pan'。

在 gawk 程式里,可以使用'='来改变 fs 的值。例如:


代码如下:

输入行如下:

john q. smith, 29 oak st., walamazoo, mi 42139

执行gawk的结果将印出字串 ' 29 oak st.'。begin 後面的 action 会在
第一个记录被读取之前执行一次。


第四章 输出

在gawk程式里,actions 最常做的事就是印出(printing)。简单的印出,使用 print叙述。复杂格式的印出,使用 printf 叙述。

4.1 print叙述

print 叙述用在简单、标准的输出格式。叙述的格式如下所示:

print item1, item2, ...

输出时,各个 item 之间会以一个空白分开,最後会换行(newline)。

如果 'print'叙述之後没有跟著任何东西,它与'print $0'的效果一样,它会印出现在的记录(record)。

要印出空白行可使用'print ""'。 印出一段固定的文字,可用双引号将文字的两边括起来,例如

'print "hello there"'。
 
4.2 output separators

前面我们已提过如果 print 叙述包含有多个 item,item 之间用逗点分开,则印出时各个item会被一个空白隔开。你能够使用任何的字串作为 output field separator,可以经由内建变数 ofs 的设定来更改 output field separator。ofs 的初始值为" ",即一格的空白。
整个 print 叙述的输出被称为 output record。print 叙述输出 output record 之後,会接著输出一个字串,此字串称为 output
record separator。内建变数 ors 用来指明此字串。ors 的初始值为 "\n",也就是换行。
下面这个例子会印出每个记录的第一个栏位和第二个栏位,此二个栏位之间以分号';'分开,每行输出之後会加入一个空白行。


gawk 'begin {ofs=";"; ors="\n\n"} {print $1, $2}' bbs-list

结果如下所示:

aardvark;555-5553

alpo-net;555-3412

barfly;555-7685

bites;555-1675

...
4.3 printf叙述

printf 叙述会使得输出格式较容易精确地控制。printf 叙述可以指定每个 item 印出的宽度,也可以指定数字的各种型式。

printf 叙述的格式如下:


printf format, item1, item2, ...

print 与 printf 的差别是在於 format, printf 的引数比 print多了字串 format。format 的型式与 ansi c 的 printf 之格式相同。

printf 并不会做自动换行的动作。内建变数 ofs 与 ors 对 printf 叙述没有任何影响。

格式的指定以字元'%'开始,後面接著格式控制字母。
格式控制字母如下所示:

'c' 将数字以 ascii 字元印出。例如'printf "%c",65'会印出字元'a'。
'd' 印出十进位的整数。
'i' 印出十进位的整数。
'e' 将数字以科学符号的形式印出。例如print "$4.3e",1950结果会印出'1.950e+03'。
'f' 将数字以浮点的形式印出。
'g' 将数字以科学计数法或浮点的形式印出。数字的绝对值如果≥0.0001则以浮点的形式印出,否则以科学符号的形式印出。
'o' 印出无号的八进位整数。
's' 印出一个字串。
'x' 印出无号的十六进位整数。10至15以'a'至'f'表示。
'x' 印出无号的十六进位整数。10至15以'a'至'f"表示。
'%' 它并不是真正的格式控制字母,'%%"将印出"%'。

在 % 与格式控制字母之间可加入 modifier,modifier 是用来进一步控制输出的格式。可能的 modifier 如下所示:

'-' 使用在 width 之前,指明是向左靠齐。如果'-'没有出现,则会在被指定的宽度向右靠齐。例如:

printf "%-4s", "foo"    会印出'foo '。
'width' 这一个数字指示相对应的栏位印出时的宽度。例如:

printf "%4s","foo"      会印出' foo'。
width 的值是一个最小宽度而非最大宽度。如果一个 item 的值需要的宽度比 width 大,则不受 width 的影响。例如

printf "%4s","foobar"    将印出'foobar'。
'.prec' 此数字指定印出时的精确度。

它指定小数点右边的位数。如果是要印出一个字串,它指定此字串最多会被印出多少个字元。


第五章 patterns

在 gawk 程式里面,当 pattern 符合现在的输入记录(record),其相对应的 action 才会被执行。

5.1 pattern的种类

这里对 gawk 的各种 pattern 型式作一整理:

/regular expression/
一个 regular expression 当作一个 pattern。每当输入记录 (record)含有 regular expression 就视为符合。

expression
一个单一的 expression。当一个值不为 0 或一个字串不是空的,则可视为符合。

pat1,pat2
一对的 patterns 以逗号分开,指定记录的围。

begin
end
这是特别的 pattern, gawk 在开始执行或要结束时会分别执行相对应於begin或end的 action。

null
这是一个空的pattern,对於每个输入记录皆视为符合pattern。


5.2 regular expressions当作patterns

一个 regular expression 可简写为 regexp,是一种描述字串的方法。一个 regular expression 以斜线('/')包围当作 gawk 的 pattern。
如果输入记录含有 regexp 就视为符合。例如:pattern 为 /foo/,对於任何输入记录含有'foo'则视为符合。
下面的例子会将含有'foo'的输入记录之第2个栏位印出。

gawk '/foo/ {print $2}' bbs-list
结果如下:
555-1234
555-6699
555-6480
555-2127

regexp 也能使用在比较的算式。
exp ~ /regexp/      如果 exp 符合 regexp,则结果为真(true)。
exp !~ /regexp/     如果 exp 不符合 regexp,则结果为真。


5.3 比较的算式当作patterns

x<y 如果 x 小於 y,则结果为真。
x<=y 如果 x 小於、等於 y,则结果为真。
x>y 如果 x 大於 y,则结果为真。
x>=y 如果 x 大於、等於 y,则结果为真。
x==y 如果 x 等於 y,则结果为真。
x!=y 如果 x 不等於 y,则结果为真。
x~y 如果 x 符合 regular expression y,则结果为真。
x!~y 如果 x 不符合 regular expression y,则结果为真。

上面所提到的 x 与 y,如果二者皆是数字则视为数字之间的比较,否则它们会被转换成字串且以字串的形式做比较。两个字串的比较,
会先比较第一个字元,然後比较第二个字元,依此类推,直到有不同的地方出现为止。如果两个字串在较短的一个结束之前是相等,则视
为长的字串比短的字串大。例如 "10" 比 "9" 小,"abc" 比 "abcd" 小。

5.4 使用bool运算的patterns

一个布林(boolean) pattern 是使用或('||'),与('&&'),非('!')来组合其它的pattern。
例如:
gawk '/2400/ && /foo/' bbs-list
gawk '/2400/ || /foo/' bbs-list
gawk '! /foo/' bbs-list


第六章 算式(expression)作为actions的叙述

算式(expression) 是gawk程式里面action的基本构成者。

6.1 算术运算
gawk 里的算术运算如下所示:

x+y 加
x-y 减
-x 负
+x 正。实际上没有任何影响。
x*y 乘
x/y 除
x%y 求馀数。例如 5%3=2。
x^y
x**y x 的 y 次方。例如2^3=8。
6.2 比较算式与布林算式
比较算式 (comparison expression) 用来比较字串或数字的关系,运算符号与 c 语言相同。表列如下:

x<y ,x<=y
x>y,x>=y
x==y,x!=y
x~y , x!~y
比较的结果为真(true)则其值是 1。否则其值是 0。布林算式(boolean expression)有下面三种:

boolean1 && boolean2
boolean1 || boolean2
! boolean


6.3 条件算式(conditional expressions)

一个条件式算式是一种特别的算式,它含有3个运算元。条件式算式与c语言的相同:

selector ? if-true-exp : if-false-exp
它有3个子算式。第一个子算式selector 首先会被计算。

如果是真,则if-true-exp会被计算且它的值变成整个算式的值。否则if-false-exp 会被计算且它的值变成整个算式的值。

 

第七章 actions里面的控制叙述

在 gawk 程式里面,控制叙述诸如 if、while 等控制程式执行的流程。在 gawk 里的控制叙述与 c 的类似。
很多的控制叙述会包括其它的叙述,被包括的叙述称为 body。假如 body 里面包括一个以上的叙述,必须以大括弧 { } 将这些叙述括起
来,而各个叙述之间需以换行(newline)或分号隔开。

7.1 if 叙述

if (condition) then-body [else else-body]

举一个例子如下:


代码如下:

7.2 while 叙述

while (condition)
body

下面的例子会印出每个输入记录(record)的前三个栏位。


代码如下:


7.3 do-while 叙述

do
        body
while (condition)

下面的例子会印出每个输入记录十次。


代码如下:


7.4 for 叙述

for (initialization; condition; increment)
body

 

下面的例子会印出每个输入记录的前三个栏位。

gawk '{ for (i=1; i<=3; i++)
     print $i
}'

7.5 break 叙述

break 叙述会跳出包含它的 for、while、do-while 回圈的最内层。下面的例子会找出任何整数的最小除数,它也会判断是否为质数。


代码如下:

7.6 continue 叙述

continue 叙述使用於 for、while、do-while 回圈内部,它会跳过回圈 body 的剩馀部分,使得它立刻进行下一次回圈的执行。

下面的例子会印出 0 至 20 的全部数字,但是 5 并不会被印出。


代码如下:

7.7 next 叙述、next file 叙述、exit 叙述

next 叙述强迫 gawk 立刻停止处理目前的记录(record)而继续下一个记录。
next file 叙述类似 next。然而,它强迫 gawk 立刻停止处理目前的资料档。
exit 叙述会使得 gawk 程式停止执行而跳出。然而,如果 end 出现,它会去执行 end 的 actions。


第八章 内建函式(built-in functions)

内建函式是 gawk 内建的函式,可在 gawk 程式的任何地方呼叫内建
函式。


8.1 数值方面的内建函式

int(x) 求出 x 的整数部份,朝向 0 的方向做舍去。例如:int(3.9)是 3,int(-3.9) 是 -3。
sqrt(x) 求出 x 正的平方根值。例 sqrt(4)=2
exp(x) 求出 x 的次方。例 exp(2) 即是求 e*e 。
log(x) 求出 x 的自然对数。
sin(x) 求出 x 的 sine 值,x 是弪度量。
cos(x) 求出 x 的 cosine 值,x 是弪度量。
atan2(y,x) 求 y/x 的 arctangent 值,所求出的值其单位是弪度量。
rand() 产生(0, 1)的随机数。
srand(x) 设定 seed 为 x。

8.2 字串方面的内建函式

index(in, find) 它会在字串 in 里面,寻找字串 find 第一次出现的位置。找不到则返回0。
length(string)
 

match(string,regexp)
match 函式会在字串 string 里面,寻找符合 reg的最长最靠左边的子字串 index值。match 函式会设定内在变数 rstart 等於 index,它也会设定内在变数 rlength 等於符合的字元个数。如果不符合,则会设定 rstart 为0、rlength 为 -1。
 

sprintf(format,expression1,...) 返回字串。

 

sub(regexp, replacement,target)
在字串 target 里面,寻找符合 regexp 的最长、最靠左边的地方,以字串 replacement 代替最左边的 regexp。
例如:
str = "water, water, everywhere"
sub(/at/, "ith",str)
结果字串str会变成
"wither, water, everywhere"

gsub(regexp, replacement, target)
gsub 与前面的 sub 类似。在字串 target 里面,寻找符合 regexp 的所有地方,以字串 replacement 代替所有的 regexp。
例如:
str="water, water, everywhere"
gsub(/at/, "ith",str)
结果字串str会变成
'wither, wither, everywhere"

substr(string, start, length)
传回字串 string 的子字串,这个子字串的长度为 length 个字元,从第 start 个位置开始。

 

tolower(string)
将字串string的大写字母改为小写字母。
例如:
tolower("mixed case 123")
传回值为"mixed case 123"

toupper(string)
将字串string的小写字母改为大写字母。
例如:
toupper("mixed case 123")
传回值为"mixed case 123"


8.3 输入输出的内建函式

close(filename)
将输入或输出的档案 filename 关闭。

system(command)
此函式允许使用者执行作业系统的指令,执行完毕後将回到 gawk
程式。
例如:
begin {system("ls")}


第九章 使用者定义的函式(user-defined functions)

复杂的 gawk 程式常常可以使用自己定义的函式来简化。呼叫使用者定义的函式与呼叫内建函式的方法一样。


9.1 函式定义的格式

函式的定义可以放在 gawk 程式的任何地方。
一个使用者定义的函式其格式如下:


代码如下:

name 是所定义的函式之名称。一个正确的函式名称可包括一序列的字母、数字、下标线 (underscores),但是不可用数字做开头。

parameter-list 是列出函式的全部引数(argument),各个引数之间以逗点隔开。

body-of-function 包含 gawk 的叙述 (statement)。它是函式定义里最重要的部份,它决定函式实际要做何种事。


9.2 函式定义的例子

下面这个例子,会将每个记录的第一个栏位之值的平方与第二个
栏位之值的平方加起来。


代码如下:


第十章 实例

这里将列出 gawk 程式的一些例子。

gawk '{if (nf > max) max = nf}
end {print max}'
此程式会印出所有输入行之中,栏位的最大个数。

gawk 'length($0) > 80'
此程式会印出一行超过 80 个字元的每一行。此处只有 pattern 被
列出,action 是采用内定的 print。

gawk 'nf > 0'
对於拥有至少一个栏位的所有行,此程式皆会印出。这是一个简
单的方法,将一个档案里的所有空白行删除。

gawk '{if (nf > 0) print}'
对於拥有至少一个栏位的所有行,此程式皆会印出。这是一个简
单的方法,将一个档案里的所有空白行删除。

gawk 'begin {for (i = 1; i <= 7; i++)
print int(101 * rand())}'
此程式会印出□围是 0 到 100 之间的 7 个乱数值。

ls -l files | gawk '{x += $4}; end {print "total bytes: " x}'
此程式会印出所有指定的档案之bytes数目的总和。

expand file | gawk '{if (x < length()) x = length()}
end {print "maximum line length is " x}'
此程式会将指定档案里最长一行的长度印出。expand 会将 tab 改
成 space,所以是用实际的右边界来做长度的比较。

gawk 'begin {fs = ":"}
{print $1 | "sort"}' /etc/passwd
此程式会将所有使用者的login名称,依照字母的顺序印出。

gawk '{nlines++}
end {print nlines}'
此程式会将一个档案的总行数印出。

gawk 'end {print nr}'
此程式也会将一个档案的总行数印出,但是计算行数的工作由gawk
来做。

gawk '{print nr,$0}'
此程式印出档案的内容时,会在每行的最前面印出行号,它的功
能与 'cat -n' 类似。

相关标签: Gawk GNU awk