awk教程

　　一个年轻的程序员问一个老程序员(一个比较牛逼的公司的CTO) 年轻程序员: 你为什么这么牛X.， 就好像没有你不会的。老程序员: 积累的。年轻程序员: 怎么才能积累到您的程度呢。我每天都在积累。但是似乎都没有感觉到进步。老程序员: 我从20岁开始做到了一件事情,直到今天，而且尽可能地保证不间断。年轻程序员: 到底是什么? 老程序员: 我每天保证自己有2个小时在学习新的东西。
　　
　　
　　
　　
　　
　　
　　
　　awk是一种编程语言，用于在linux/unix下对文本和数据进行处理。数据可以来自标准输入、一个或多个文件，或其它命令的输出。它支持用户自定义函数和动态正则表达式等先进功能，是linux/unix下的一个强大编程工具。它在命令行中使用，但更多是作为脚本来使用。awk的处理文本和数据的方式是这样的，它逐行扫描文件，从第一行到最后一行，寻找匹配的特定模式的行，并在这些行上进行你想要的操作。如果没有指定处理动作，则把匹配的行显示到标准输出(屏幕)，如果没有指定模式，则所有被操作所指定的行都被处理。awk分别代表其作者姓氏的第一个字母。因为它的作者是三个人，分别是Alfred Aho、Brian Kernighan、Peter Weinberger。gawk是awk的GNU版本，它提供了Bell实验室和GNU的一些扩展。下面介绍的awk是以GUN的gawk为例的，在linux系统中已把awk链接到gawk，所以下面全部以awk进行介绍。 -F fs or --field-separator fs
　　指定输入文件折分隔符，fs是一个字符串或者是一个正则表达式，如-F:。 -v var=value or --asign var=value
　　赋值一个用户定义变量。 -f scripfile or --file scriptfile
　　从脚本文件中读取awk命令。 -mf nnn and -mr nnn
　　对nnn值设置内在限制，-mf选项限制分配给nnn的最大块数目；-mr选项限制记录的最大数目。这两个功能是Bell实验室版awk的扩展功能，在标准awk中不适用。 -W compact or --compat, -W traditional or --traditional
　　在兼容模式下运行awk。所以gawk的行为和标准的awk完全一样，所有的awk扩展都被忽略。 -W copyleft or --copyleft, -W copyright or --copyright
　　打印简短的版权信息。 -W help or --help, -W usage or --usage
　　打印全部awk选项和每个选项的简短说明。 -W lint or --lint
　　打印不能向传统unix平台移植的结构的警告。 -W lint-old or --lint-old
　　打印关于不能向传统unix平台移植的结构的警告。 -W posix
　　打开兼容模式。但有以下限制，不识别：\x、函数关键字、func、换码序列以及当fs是一个空格时，将新行作为一个域分隔符；操作符**和**=不能代替^和^=；fflush无效。 -W re-interval or --re-inerval
　　允许间隔正则表达式的使用，参考(grep中的Posix字符类)，如括号表达式[[:alpha:]]。 -W source program-text or --source program-text
　　使用program-text作为源代码，可与-f命令混用。 -W version or --version
　　打印bug报告信息的版本。 awk脚本是由模式和操作组成的：
　　pattern {action} 如$ awk '/root/' test，或$ awk '$3 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：用运算符~(匹配)和~!(不匹配)。 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。 操作由一人或多个命令、函数、表达式组成，之间由换行符或分号隔开，并位于大括号内。主要有四部份： Table 1. awk的环境变量 变量 描述
　　$n 当前记录的第n个字段，字段间由FS分隔。 
　　$0 完整的输入记录。 
　　ARGC 命令行参数的数目。 
　　ARGIND 命令行中当前文件的位置(从0开始算)。 
　　ARGV 包含命令行参数的数组。 
　　CONVFMT 数字转换格式(默认值为%.6g) 
　　ENVIRON 环境变量关联数组。 
　　ERRNO 最后一个系统错误的描述。 
　　FIELDWIDTHS 字段宽度列表(用空格键分隔)。 
　　FILENAME 当前文件名。 
　　FNR 同NR，但相对于当前文件。 
　　FS 字段分隔符(默认是任何空格)。 
　　IGNORECASE 如果为真，则进行忽略大小写的匹配。 
　　NF 当前记录中的字段数。 
　　NR 当前记录数。 
　　OFMT 数字的输出格式(默认值是%.6g)。 
　　OFS 输出字段分隔符(默认值是一个空格)。 
　　ORS 输出记录分隔符(默认值是一个换行符)。 
　　RLENGTH 由match函数所匹配的字符串的长度。 
　　RS 记录分隔符(默认是一个换行符)。 
　　RSTART 由match函数所匹配的字符串的第一个位置。 
　　SUBSEP 数组下标分隔符(默认值是\034)。 
　　Table 2. 运算符 运算符 描述
　　= += -= *= /= %= ^= **= 赋值 
　　?: C条件表达式 
　　|| 逻辑或 
　　&& 逻辑与 
　　~ ~! 匹配正则表达式和不匹配正则表达式 
　　 >= != == 关系运算符 
　　空格 连接 
　　+ - 加，减 
　　* / & 乘，除与求余 
　　+ - ! 一元加，减和逻辑非 
　　^ *** 求幂 
　　++ -- 增加或减少，作为前缀或后缀 
　　$ 字段引用 
　　in 数组成员 
　　awk把每一个以换行符结束的行称为一个记录。
　　记录分隔符：默认的输入和输出的分隔符都是回车，保存在内建变量ORS和RS中。
　　$0变量：它指的是整条记录。如$ awk '{print $0}' test将输出test文件中的所有记录。
　　变量NR：一个计数器，每处理完一条记录，NR的值就增加1。如$ awk '{print NR,$0}' test将输出test文件中所有记录，并在记录前显示记录号。 记录中每个单词称做"域"，默认情况下以空格或tab分隔。awk可跟踪域的个数，并在内建变量NF中保存该值。如$ awk '{print $1,$3}' test将打印test文件中第一和第三个以空格分开的列(域)。 内建变量FS保存输入域分隔符的值，默认是空格或tab。我们可以通过-F命令行选项修改FS的值。如$ awk -F: '{print $1,$5}' test将打印以冒号为分隔符的第一，第五列的内容。
　　可以同时使用多个域分隔符，这时应该把分隔符写成放到方括号中，如$awk -F'[:\t]' '{print $1,$3}' test，表示以空格、冒号和tab作为分隔符。
　　输出域的分隔符默认是一个空格，保存在OFS中。如$ awk -F: '{print $1,$5}' test，$1和$5间的逗号就是OFS的值。 一般通用的元字符集就不讲了，可参考我的Sed和Grep学习笔记。以下几个是gawk专用的，不适合unix版本的awk。 \Y
　　匹配一个单词开头或者末尾的空字符串。 \B
　　匹配单词内的空字符串。 \
　　匹配一个单词的末尾的空字符串，锚定末尾。 \w
　　匹配一个字母数字组成的单词。 \W
　　匹配一个非字母数字组成的单词。 \'
　　匹配字符串开头的一个空字符串。 \'
　　匹配字符串末尾的一个空字符串。 用来在记录或者域内匹配正则表达式。如$ awk '$1 ~/^root/' test将显示test文件第一列中以root开头的行。 conditional expression1 ? expression2: expression3，例如：$ awk '{max = {$1 > $3} ? $1: $3: print max}' test。如果第一个域大于第三个域，$1就赋值给max，否则$3就赋值给max。
　　$ awk '$1 + $2  5 && $2 正则表达式test，则第一个域加10并打印出来。 $ awk '{print ($1 > 5 ? "ok "$1: "error"$1)}' test-----如果第一个域大于5则打印问号后面的表达式值，否则打印冒号后面的表达式值。 $ awk '/^root/,/^mysql/' test----打印以正则表达式root开头的记录到以正则表达式mysql开头的记录范围内的所有记录。如果找到一个新的正则表达式root开头的记录，则继续打印直到下一个以正则表达式mysql开头的记录为止，或到文件末尾。 在awk中，变量不需要定义就可以直接使用，变量类型可以是数字或字符串。 赋值格式：Variable = expression，如$ awk '$1 ~/test/{count = $2 + $3; print count}' test,上式的作用是,awk先扫描第一个域，一旦test匹配，就把第二个域的值加上第三个域的值，并把结果赋值给变量count，最后打印出来。 awk可以在命令行中给变量赋值，然后将这个变量传输给awk脚本。如$ awk -F: -f awkscript month=4 year=2004 test，上式的month和year都是自定义变量，分别被赋值为4和2004。在awk脚本中，这些变量使用起来就象是在脚本中建立的一样。注意，如果参数前面出现test，那么在BEGIN语句中的变量就不能被使用。 域变量也可被赋值和修改，如$ awk '{$2 = 100 + $1; print }' test,上式表示，如果第二个域不存在，awk将计算表达式100加$1的值，并将其赋值给$2，如果第二个域存在，则用表达式的值覆盖$2原来的值。再例如：$ awk '$1 == "root"{$1 ="test";print}' test，如果第一个域的值是"root"，则把它赋值为"test"，注意，字符串一定要用双引号。 内建变量的使用。变量列表在前面已列出，现在举个例子说明一下。$ awk -F: '{IGNORECASE=1; $1 == "MARY"{print NR,$1,$2,$NF}'test，把IGNORECASE设为1代表忽略大小写，打印第一个域是mary的记录数、第一个域、第二个域和最后一个域。 BEGIN模块后紧跟着动作块，这个动作块在awk处理任何输入文件之前执行。所以它可以在没有任何输入的情况下进行测试。它通常用来改变内建变量的值，如OFS,RS和FS等，以及打印标题。如：$ awk 'BEGIN{FS=":"; OFS="\t"; ORS="\n\n"}{print $1,$2,$3} test。上式表示，在处理输入文件以前，域分隔符(FS)被设为冒号，输出文件分隔符(OFS)被设置为制表符，输出记录分隔符(ORS)被设置为两个换行符。$ awk 'BEGIN{print "TITLE TEST"}只打印标题。 END不匹配任何的输入文件，但是执行动作块中的所有动作，它在整个输入文件处理完成后被执行。如$ awk 'END{print "The number of records is" NR}' test，上式将打印所有被处理的记录数。 awk可使用shell的重定向符进行重定向输出，如：$ awk '$1 = 100 {print $1 > "output_file" }' test。上式表示如果第一个域的值等于100，则把它输出到output_file中。也可以用>>来重定向输出，但不清空文件，只做追加操作。 输出重定向需用到getline函数。getline从标准输入、管道或者当前正在处理的文件之外的其他输入文件获得输入。它负责从输入获得下一行的内容，并给NF,NR和FNR等内建变量赋值。如果得到一条记录，getline函数返回1，如果到达文件的末尾就返回0，如果出现错误，例如打开文件失败，就返回-1。如：
　　$ awk 'BEGIN{ "date" | getline d; print d}' test。执行linux的date命令，并通过管道输出给getline，然后再把输出赋值给自定义变量d，并打印它。
　　$ awk 'BEGIN{"date" | getline d; split(d,mon); print mon[2]}' test。执行shell的date命令，并通过管道输出给getline，然后getline从管道中读取并将输入赋值给d，split函数把变量d转化成数组mon，然后打印数组mon的第二个元素。
　　$ awk 'BEGIN{while( "ls" | getline) print}'，命令ls的输出传递给geline作为输入，循环使getline从ls的输出中读取一行，并把它打印到屏幕。这里没有输入文件，因为BEGIN块在打开输入文件前执行，所以可以忽略输入文件。
　　$ awk 'BEGIN{printf "What is your name?"; getline name  0) lc++; print lc}'。awk将逐行读取文件/etc/passwd的内容，在到达文件末尾前，计数器lc一直增加，当到末尾时，打印lc的值。注意，如果文件不存在，getline返回-1，如果到达文件的末尾就返回0，如果读到一行，就返回1，所以命令 while (getline  100) print $1 "bad" ; else print "ok"}' test。如果$1大于100则打印$1 bad,否则打印ok。
　　$ awk '{if ($1 > 100){ count++; print $1} else {count--; print $2}' test。如果$1大于100，则count加一，并打印$1，否则count减一，并打印$1。 14.5.3. if/else else if语句，用于多重判断。
　　awk有三种循环:while循环；for循环；special for循环。 $ awk '{ i = 1; while ( i 正则表达式，并用替换字符串替换这些字符串。如果没有指定目标字符串就默认使用整个记录。替换只发生在第一次匹配的时候。格式如下：  sub (regular expression, substitution string): sub (regular expression, substitution string, target string) 
　　实例：  $ awk '{ sub(/test/, "mytest"); print }' testfile $ awk '{ sub(/test/, "mytest"); $1}; print }' testfile 
　　第一个例子在整个记录中匹配，替换只发生在第一次匹配发生的时候。如要在整个文件中进行匹配需要用到gsub
　　第二个例子在整个记录的第一个域中进行匹配，替换只发生在第一次匹配发生的时候。 gsub函数作用如sub，但它在整个文档中进行匹配。格式如下：  gsub (regular expression, substitution string) gsub (regular expression, substitution string, target string) 
　　实例：  $ awk '{ gsub(/test/, "mytest"); print }' testfile $ awk '{ gsub(/test/, "mytest"), $1 }; print }' testfile 
　　第一个例子在整个文档中匹配test，匹配的都被替换成mytest。
　　第二个例子在整个文档的第一个域中匹配，所有匹配的都被替换成mytest。 index函数返回子字符串第一次被匹配的位置，偏移量从位置1开始。格式如下：  index(string, substring) 
　　实例：  $ awk '{ print index("test", "mytest") }' testfile 
　　实例返回test在mytest的位置，结果应该是3。 length函数返回记录的字符数。格式如下：  length( string ) length 
　　实例：  $ awk '{ print length( "test" ) }' $ awk '{ print length }' testfile 
　　第一个实例返回test字符串的长度。
　　第二个实例返回testfile文件中第条记录的字符数。 substr函数返回从位置1开始的子字符串，如果指定长度超过实际长度，就返回整个字符串。格式如下：  substr( string, starting position ) substr( string, starting position, length of string ) 
　　实例：  $ awk '{ print substr( "hello world", 7,11 ) }' 
　　上例截取了world子字符串。 match函数返回在字符串中正则表达式位置的索引，如果找不到指定的正则表达式则返回0。match函数会设置内建变量RSTART为字符串中子字符串的开始位置，RLENGTH为到子字符串末尾的字符个数。substr可利于这些变量来截取字符串。函数格式如下：  match( string, regular expression ) 
　　实例：  $ awk '{start=match("this is a test",/[a-z]+$/); print start}' $ awk '{start=match("this is a test",/[a-z]+$/); print start, RSTART, RLENGTH }' 
　　第一个实例打印以连续小写字符结尾的开始位置，这里是11。
　　第二个实例还打印RSTART和RLENGTH变量，这里是11(start)，11(RSTART)，4(RLENGTH)。 toupper和tolower函数可用于字符串大小间的转换，该功能只在gawk中有效。格式如下：  toupper( string ) tolower( string ) 
　　实例：  $ awk '{ print toupper("test"), tolower("TEST") }' 
　　split函数可按给定的分隔符把字符串分割为一个数组。如果分隔符没提供，则按当前FS值进行分割。格式如下：  split( string, array, field separator ) split( string, array ) 
　　实例：  $ awk '{ split( "20:18:00", time, ":" ); print time[2] }' 
　　上例把时间按冒号分割到time数组内，并显示第二个数组元素18。 systime函数返回从1970年1月1日开始到当前时间(不计闰年)的整秒数。格式如下：  systime() 
　　实例：  $ awk '{ now = systime(); print now }' 
　　strftime函数使用C库中的strftime函数格式化时间。格式如下：  systime( [format specification][,timestamp] ) 
　　Table 3. 日期和时间格式说明符 格式 描述
　　%a 星期几的缩写(Sun) 
　　%A 星期几的完整写法(Sunday) 
　　%b 月名的缩写(Oct) 
　　%B 月名的完整写法(October) 
　　%c 本地日期和时间 
　　%d 十进制日期 
　　%D 日期 08/20/99 
　　%e 日期，如果只有一位会补上一个空格 
　　%H 用十进制表示24小时格式的小时 
　　%I 用十进制表示12小时格式的小时 
　　%j 从1月1日起一年中的第几天 
　　%m 十进制表示的月份 
　　%M 十进制表示的分钟 
　　%p 12小时表示法(AM/PM) 
　　%S 十进制表示的秒 
　　%U 十进制表示的一年中的第几个星期(星期天作为一个星期的开始) 
　　%w 十进制表示的星期几(星期天是0) 
　　%W 十进制表示的一年中的第几个星期(星期一作为一个星期的开始) 
　　%x 重新设置本地日期(08/20/99) 
　　%X 重新设置本地时间(12：00：00) 
　　%y 两位数字表示的年(99) 
　　%Y 当前月份 
　　%Z 时区(PDT) 
　　%% 百分号(%) 
　　实例：  $ awk '{ now=strftime( "%D", systime() ); print now }' $ awk '{ now=strftime("%m/%d/%y"); print now }' 
　　Table 4.  函数名称 返回值
　　atan2(x,y) y,x范围内的余切 
　　cos(x) 余弦函数 
　　exp(x) 求幂 
　　int(x) 取整 
　　log(x) 自然对数 
　　rand() 随机数 
　　sin(x) 正弦 
　　sqrt(x) 平方根 
　　srand(x) x是rand()函数的种子 
　　int(x) 取整，过程没有舍入 
　　rand() 产生一个大于等于0而小于1的随机数 
　　在awk中还可自定义函数，格式如下：