第八章 Shell文本处理三剑客之awk
2017-11-24 08:59
162 查看
上节讲了grep、sed工具,已经能满足常见的文本处理需求,但有些需求对于他们来说心有余而力不足,今天所讲的工具就能完成他们大多数的功能,它就是三剑客中的老大AWK,我相信一定不会让你失望,下面一起看看吧!
本章大纲:
8.3 awk
awk是一个处理文本的编程语言工具,能用简短的程序处理标准输入或文件、数据排序、计算以及生成报表等等。在Linux系统下默认awk是gawk,它是awk的GNU版本。可以通过命令查看应用的版本:ls -l /bin/awk
基本的命令语法:awk option 'pattern {action}' file
其中pattern表示AWK在数据中查找的内容,而action是在找到匹配内容时所执行的一系列命令。花括号用于根据特定的模式对一系列指令进行分组。
awk处理的工作方式与数据库类似,支持对记录和字段处理,这也是grep和sed不能实现的。
在awk中,缺省的情况下将文本文件中的一行视为一个记录,逐行放到内存中处理,而将一行中的某一部分作为记录中的一个字段。用1,2,3...数字的方式顺序的表示行(记录)中的不同字段。用$后跟数字,引用对应的字段,以逗号分隔,0表示整个行。
8.3.1 选项
选项 | 描述 |
-f program-file | 从文件中读取awk程序源文件 |
-F fs | 指定fs为输入字段分隔符 |
-v var=value | 变量赋值 |
--posix | 兼容POSIX正则表达式 |
--dump-variables=[file] | 把awk命令时的全局变量写入文件, 默认文件是awkvars.out |
--profile=[file] | 格式化awk语句到文件,默认是awkprof.out |
8.3.2 模式
常用模式有:Pattern | Description |
BEGIN{ } | 给程序赋予初始状态,先执行的工作 |
END{ } | 程序结束之后执行的一些扫尾工作 |
/regular expression/ | 为每个输入记录匹配正则表达式 |
pattern && pattern | 逻辑and,满足两个模式 |
pattern || pattern | 逻辑or,满足其中一个模式 |
! pattern | 逻辑not,不满足模式 |
pattern1, pattern2 | 范围模式,匹配所有模式1的记录,直到匹配到模式2 |
示例:
1)从文件读取awk程序处理文件
3)变量赋值
BEGIN模式是在处理文件之前执行该操作,常用于修改内置变量、变量赋值和打印输出的页眉或标题。
例如:打印页眉
例如:打印页尾
8.3.3 内置变量
变量名 | 描述 |
FS | 输入字段分隔符,默认是空格或制表符 |
OFS | 输出字段分隔符,默认是空格 |
RS | 输入记录分隔符,默认是换行符\n |
ORS | 输出记录分隔符,默认是换行符\n |
NF | 统计当前记录中字段个数 |
NR | 统计记录编号,每处理一行记录,编号就会+1 |
FNR | 统计记录编号,每处理一行记录,编号也会+1,与NR不同的是,处理第二个文件时,编号会重新计数。 |
ARGC | 命令行参数数量 |
ARGIND | 当前正在处理的文件索引值。第一个文件是1,第二个文件是2,以此类推 |
ARGV | 命令行参数数组序列数组,下标从0开始,ARGV[0]是awk |
ENVIRON | 当前系统的环境变量 |
FILENAME | 输出当前处理的文件名 |
IGNORECASE | 忽略大小写 |
SUBSEP | 数组中下标的分隔符,默认为"\034" |
1)FS和OFS
在程序开始前重新赋值FS变量,改变默认分隔符为冒号,与-F一样。
RS默认是\n分隔每行,如果想指定以某个字符作为分隔符来处理记录:
NF是打印字段个数。
NR统计记录编号,每处理一行记录,编号就会+1,FNR不同的是在统计第二个文件时会重新计数。
一般FNR在处理多个文件时会用到,下面会讲解。
5)ARGC和ARGV
ARGC是命令行参数数量
ARGV是将命令行参数存到数组,元素由ARGC指定,数组下标从0开始
ARGIND是当前正在处理的文件索引值,第一个文件是1,第二个文件是2,以此类推,从而可以通过这种方式判断正在处理哪个文件。
ENVIRON调用系统变量。
FILENAME是当前处理文件的文件名。
8.3.4 操作符
运算符 | 描述 |
(....) | 分组 |
$ | 字段引用 |
++ -- | 递增和递减 |
+ - ! | 加号,减号,和逻辑否定 |
* / % | 乘,除和取余 |
+ - | 加法,减法 |
| |& | 管道,用于getline,print和printf |
< > <= >= != == | 关系运算符 |
~ !~ | 正则表达式匹配,否定正则表达式匹配 |
in | 数组成员 |
&& || | 逻辑and,逻辑or |
?: | 简写条件表达式: expr1 ? expr2 : expr3 第一个表达式为真,执行expr2,否则执行expr3 |
= += -= *= /= %= ^= | 变量赋值运算符 |
数值运算,未定义变量初始值为0。字符运算,未定义变量初始值为空。
举例测试:
1)截取整数
8.3.5 流程控制
1)if语句格式:if(condition) statement [ else statement ]
格式:while(condition) statement
格式:for(expr1; expr2; expr3) statement
break跳过所有循环,continue跳过当前循环。
格式:
deletearray[index] 删除数组元素
deletearray 删除数组
格式:exit[ expression ]
exit退出程序,与shell的exit一样。[ expr]是0-255之间的数字。
8.3.6 数组
数组是用来存储一系列值的变量,通过下标(索引)来访问值。awk中数组称为关联数组,不仅可以使用数字作为下标,还可以使用字符串作为下标。
数组元素的键和值存储在awk程序内部的一个表中,该表采用散列算法,因此数组元素是随机排序。
数组格式:array[index]=value
1)自定义数组
第一种for循环的结果是乱序的,刚说过,数组是无序存储。
第二种for循环通过下标获取的情况是排序正常。
所以当下标是数字序列时,还是用for(expr1;expr2;expr3)循环表达式比较好,保持顺序不变。
4)通过++方式作为下标
5)使用字段作为下标
想要实现去重的的话就简单了,只要打印下标即可。
7)统计TCP连接状态
去重说明:初始值是0为假,感叹号取反为真,打印,也就是说,每个记录的第一个值都是为0,所以都会打印,如果再遇到相同的记录+1,值就会为真,取反为假就不打印。
awk的多维数组,实际上awk并不支持多维数组,而是逻辑上模拟二维数组的访问方式,比如a[a,b]=1,使用SUBSEP(默认\034)作为分隔下标字段,存储后是这样a\034b。
示例:
8.3.7 内置函数
函数 | 描述 |
int(expr) | 截断为整数 |
sqrt(expr) | 平方根 |
rand() | 返回一个随机数N,0和1范围,0 < N < 1 |
srand([expr]) | 使用expr生成随机数,如果不指定,默认使用当前时间为种子,如果前面有种子则使用生成随机数 |
asort(a, b) | 对数组a的值进行排序,把排序后的值存到新的数组b中,新排序的数组下标从1开始 |
asorti(a,b) | 对数组a的下标进行排序,同上 |
sub(r, s [, t]) | 对输入的记录用s替换r,t可选针对某字段替换 ,但只替换第一个字符串 |
gsub(r,s [, t]) | 对输入的记录用s替换r,t可选针对某字段替换,替换所有字符串 |
index(s, t) | 返回s中字符串t的索引位置,0为不存在 |
length([s]) | 返回s的长度 |
match(s, r [, a]) | 测试字符串s是否包含匹配r的字符串 |
split(s, a [, r [, seps] ]) | 根据分隔符seps将s分成数组a |
substr(s, i [, n]) | 截取字符串s从i开始到长度n,如果n没指定则是剩余部分 |
tolower(str) | str中的所有大写转换成小写 |
toupper(str) | str中的所有小写转换成大写 |
systime() | 当前时间戳 |
strftime([format [, timestamp[, utc-flag]]]) | 格式化输出时间,将时间戳转为字符串 |
1)int()
获取9的平方根:
4)asort()和asorti()
5)sub()和gsub()
8.3.8 I/O语句
语句 | 描述 |
getline | 设置$0来自下一个输入记录 |
getline var | 设置var来自下一个输入记录 |
command | getline [var] | 运行命令管道输出到$0或var |
next | 停止当前处理的输入记录 |
print | 打印当前记录 |
printf fmt, expr-list | 格式化输出 |
printf fmt, expr-list >file | 格式输出和写到文件 |
system(cmd-line) | 执行命令和返回状态 |
print ... >> file | 追加输出到文件 |
print ... | command | 打印输出作为命令输入 |
1)getline
8.3.9 printf语句
格式化输出,默认打印字符串不换行。格式:printf [format] arguments
Format | 描述 |
%s | 一个字符串 |
%d,%i | 一个小数 |
%f | 一个浮点数 |
%.ns | 输出字符串,n是输出几个字符 |
%ni | 输出整数,n是输出几个数字 |
%m.nf | 输出浮点数,m是输出整数位数,n是输出的小数位数 |
%x | 不带正负号的十六进制,使用a至f表示10到15 |
%X | 不带正负号的十六进制,使用A至F表示10至15 |
%% | 输出单个% |
%-5s | 左对齐,对参数每个字段左对齐,宽度为5 |
%-4.2f | 左对齐,宽度为4,保留两位小数 |
%5s | 右对齐,不加横线表示右对齐 |
8.3.10 自定义函数
格式:function name(parameter list) { statements }示例:
8.3.11 需求案例
1)分析Nginx日志日志格式:'$remote_addr - $remote_user [$time_local] "$request" $status $body_bytes_sent "$http_referer" "$http_user_agent" "$http_x_forwarded_for"'
找出b文件在a文件相同记录:
将a文件合并到b文件:
tomcat。每次遇到相同的下标(第一个字段)就会获取上次这个下标对应的值与当前字段并作为此下标的新值。
4)将第一列合并到一行
for循环是遍历每行的字段,NF等于3,循环3次。
读取第一行时:
第一个字段:a[1]=a[1]1" " 值a[1]还未定义数组,下标也获取不到对应的值,所以为空,因此a[1]=1 。
第二个字段:a[2]=a[2]2" " 值a[2]数组a已经定义,但没有2这个下标,也获取不到对应的值,为空,因此a[2]=2 。
第三个字段:a[3]=a[3]3" " 值a[2]与上面一样,为空,a[3]=3 。
读取第二行时:
第一个字段:a[1]=a[1]4" " 值a[2]获取数组a的2为下标对应的值,上面已经有这个下标了,对应的值是1,因此a[1]=1 4
第二个字段:a[2]=a[2]5" " 同上,a[2]=2 5
第三个字段:a[3]=a[3]6" " 同上,a[2]=3 6
读取第三行时处理方式同上,数组最后还是三个下标,分别是1=1 4 7,2=2 5 8,3=36 9。最后for循环输出所有下标值。
5)字符串拆分,统计出现的次数
字符串拆分:
读取第二行,NR=2,不执行print s,s=2 (大于为真)
读取第三行,NR=3,执行print s,此时s是上一次p赋值内容2,s=3
最后一行,执行print s,打印倒数第二行,s=最后一行
获取Nginx负载均衡配置端IP和端口:
读取第二行,i=1,1>1为假,不执行prints,s=127.0.0.1:80,i=2
读取第三行,i=2,2>1为真,执行prints,此时s是上一次s赋值内容127.0.0.1:80,i=3
最后一行,执行print s,打印倒数第二行,s=最后一行。
这种方式与上面一样,只是用i++作为计数器。
相关文章推荐
- 第八章 Libgdx输入处理(5)简单文本输入
- shell浅谈之文本处理工具Vim
- shell中对文本的一些处理
- 第七章 Shell文本处理三剑客之awk 推荐
- Shell脚本:1、文本处理的sed命令
- 常见处理文本的SHELL命令
- 一起学Shell之(四)文本处理以及管道
- 01-shell文本处理三剑客之grep
- 工作脚本处理文本shell
- shell实现文本处理详解
- 第七章 Shell文本处理三剑客之sed 推荐
- shell脚本专家指南--单行文本处理awk
- shell编程之高级文本处理命令:cut-sort-wc详解
- shell 处理文本小技巧
- Shell 逐行读取文本中的字符串 处理 并打印到新的文本中
- 5_Shell语言―――文本处理命令之wc、tr、cut、join、sort和uniq
- AWK文本处理增强shell功能--AWK完全手册
- Shell处理文本字符串常用命令
- 几个常用的文本处理shell 命令:find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk
- Shell文本处理三剑客之awk