awk 简明教程

作者: yeahuh | 来源:发表于2017-06-02 14:59 被阅读904次

awk简介

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。

awk命令格式和选项

awk的语法有两种形式

awk [options] 'script' var=value file(s)
awk [options] -f scriptfile var=value file(s)

命令选项

选项	描述
-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

模式和操作

awk脚本是由==模式和操作==组成的：==pattern {action}==
如：$ awk '/root/' test，或$ awk '$3 < 100' test
模式和操作都是可选的，如果没有模式，则action应用到全部记录，如果没有action，则输出匹配全部记录。默认情况下，每一个输入行都是一条记录，但用户可通过RS变量指定不同的分隔符进行分隔。

模式

模式可以是以下任意一个：

/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：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

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：

变量或数组赋值
输出命令
内置函数
控制流命令

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)

awk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

记录和域

记录

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，将输出test文件中的所有记录，如
$ awk '{print $0}' test
变量NR：一个计数器，每处理完一条记录，NR的值就增加1。将输出test文件中所有记录，并在记录前显示记录号
$ awk '{print NR,$0}' test

域

==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。将打印test文件中第一和第三个以空格分开的列(域)
$ awk '{print $1,$3}' test

域分隔符

==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
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。

gawk专用正则表达式元字符

符号	描述
\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。
<	匹配一个单词的开头的空字符串，锚定开始。
>	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。

一般通用的元字符集就不讲了，以下几个是gawk专用的，不适合unix版本的awk。

符号	描述
\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。
<	匹配一个单词的开头的空字符串，锚定开始。
>	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。

POSIX字符集

可参考我的Grep学习笔记

范围模板

范围模板匹配从==第一个模板的第一次出现到第二个模板的第一次出现之间所有行==。如果有一个模板没出现，则匹配到开头或末尾。如:
$ awk '/root/,/mysql/' test
显示root第一次出现到mysql第一次出现之间的所有行。

示例

一个验证passwd文件有效性的例子

$ cat /etc/passwd | awk -F: '\ 
    NF != 7{\ 
        printf("line %d,does not have 7 fields:%s\n",NR,$0)}\ 
    $1 !~ /[A-Za-z0-9]/{printf("line %d,non alpha and numeric user id:%d: %s\n,NR,$0)}\ 
    $2 == "*" {printf("line %d, no password: %s\n",NR,$0)}'

cat把结果输出给awk，awk把域之间的分隔符设为冒号。
如果域的数量(NF)不等于7，就执行下面的程序。
printf打印字符串"line ?? does not have 7 fields"，并显示该条记录。
如果第一个域没有包含任何字母和数字，printf打印“no alpha and numeric user id" ，并显示记录数和记录。
如果第二个域是一个星号，就打印字符串“no passwd”，紧跟着显示记录数和记录本身。

几个实例

$ awk '{print $3}' test

截取第三域(列)的内容

$ awk '/^(no|so)/' test

打印所有以模式no或so开头的行

$ awk '/^[ns]/{print $1}' test

如果记录以n或s开头，就打印这个记录

$ awk '$1 ~/[0-9][0-9]$/(print $1}' test

如果第一个域以两个数字结束就打印这个记录

$ awk '$1 == 100 || $2 < 50' test

如果第一个或等于100或者第二个域小于50，则打印该行

$ awk '$1 != 10' test

如果第一个域不等于10就打印该行

$ awk '/test/{print $1 + 10}' test

如果记录包含正则表达式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

awk编程

变量

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

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模块

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。

重定向和管道

==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 < "/dev/tty" } $1 ~name {print "Found" name on line ", NR "."} END{print "See you," name "."} test

在屏幕上打印”What is your name?",并等待用户应答。当一行输入完毕后，getline函数从终端接收该行输入，并把它储存在自定义变量name中。如果第一个域匹配变量name的值，print函数就被执行，END块打印See you和name的值。
$ awk 'BEGIN{while (getline < "/etc/passwd" > 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 < "/etc/passwd")在文件不存在的情况下将陷入无限循环，因为返回-1表示逻辑真。

可以在awk中打开一个管道，且同一时刻只能有一个管道存在。通过close()可关闭管道。如：
$ awk '{print $1, $2 | "sort" }' test END {close("sort")}
awd把print语句的输出通过管道作为linux命令sort的输入,END块执行关闭管道操作。

system函数可以在awk中执行linux的命令。如：$ awk 'BEGIN{system("clear")'。

fflush函数用以刷新输出缓冲区，如果没有参数，就刷新标准输出的缓冲区，如果以空字符串为参数，如fflush(""),则刷新所有文件和管道的输出缓冲区。

条件语句

awk中的条件语句是从C语言中借鉴过来的，可控制程序的流程。

if语句

格式：
        {if (expression){
                statement; statement; ...
            }
        }
        
$ awk '{if ($1 <$2) print $2 "too high"}' test   
$ awk '{if ($1 < $2) {count++; print "ok"}}' test

if/else语句，用于双重判断。

格式：
        {if (expression){
                   statement; statement; ...
            }
        else{
                   statement; statement; ...
            }
        }
$ awk '{if ($1 > 100) print $1 "bad" ; else print "ok"}' test
$ awk '{if ($1 > 100){ count++; print $1} else {count--; print $2}' test

if/else else if语句，用于多重判断。

格式：
        {if (expression){
                    statement; statement; ...
                   }
        else if (expression){
                    statement; statement; ...
                   }
        else if (expression){
                    statement; statement; ...
                   }
        else {
                   statement; statement; ...
             }
        }

循环

awk有三种循环:==while循环；for循环；special for循环==

$ awk '{ i = 1; while ( i <= NF ) { print NF,$i; i++}}' test
$ awk '{for (i = 1; i<NF; i++) print NF,$i}' test

==breadk continue语句==

break用于在满足条件的情况下跳出循环
continue用于在满足条件的情况下忽略后面的语句，直接返回循环的顶端

如：

{for ( x=3; x<=NF; x++) 
            if ($x<0){print "Bottomed out!"; break}}
{for ( x=3; x<=NF; x++)
            if ($x==0){print "Get next item"; continue}}

next语句从输入文件中读取一行，然后从头开始执行awk脚本。如：

{ if ($1 ~/test/){next}
  else {print}
}

exit语句用于结束awk程序，但不会略过END块。退出状态为0代表成功，非零值表示出错。

数组

awk中的数组的下标可以是数字和字母，称为==关联数组==。

下标与关联数组

用变量作为数组下标。如：
$ awk {name[x++]=$2};END{for(i=0;i<NR;i++) print i,name[i]}' test
数组name中的下标是一个自定义变量x，awk初始化x的值为0，在每次使用后增加1。第二个域的值被赋给name数组的各个元素。在END模块中，for循环被用于循环整个数组，从下标为0的元素开始，打印那些存储在数组中的值。因为下标是关健字，所以它不一定从0开始，可以从任何值开始。

special for循环==用于读取关联数组中的元素==。格式如下：

{for (item in arrayname){
         print arrayname[item]
    }
}

$ awk '/^tom/{name[NR]=$1}; END{for(i in name){print name[i]}}' test

打印有值的数组元素。打印的顺序是随机的。

用字符串作为下标。如：count["test"]
用域值作为数组的下标。

一种新的for循环方式，for (index_value in array) statement。如:

$ awk '{count[$1]++} END{for(name in count) print name,count[name]}' test

该语句将打印$1中字符串出现的次数。它首先以第一个域作数组count的下标，第一个域变化，索引就变化。

delete函数用于删除数组元素。如：

$ awk '{line[x++]=$1} END{for(x in line) delete(line[x])}' test

分配给数组line的是第一个域的值，所有记录处理完成后，special for循环将删除每一个元素。

awk的内建函数

字符串函数

==sub函数==匹配记录中最大、最靠左边的子字符串的正则表达式，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可利用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。

时间函数

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] )

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(%)

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 }'

内建数学函数

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

自定义函数

在awk中还可自定义函数，格式如下：

function name ( parameter, parameter, parameter, ... ) {  
    statements  
    return expression # the return statement and expression are optional  
}