Awk是什么

Awk、sed與grep，俗稱Linux下的三劍客，它們之前有很多相似點，但是同樣也各有各的特色，相似的地方是它們都可以匹配文本，其中sed和awk還可以用于文本編輯，而grep則不具備這個功用。sed是一種非交互式且面向字符流的編輯器（a “non-interactive” stream-oriented editor），而awk則是一門模式匹配的編程語言，因為它的主要功能是用于匹配文本并處理，同時它有一些編程語言才有的語法，例如函數、分支循環語句、變量等等，當然比起我們常見的編程語言，Awk相對比較簡單。

使用Awk，我們可以做以下事情：

將文本文件視為由字段和記錄組成的文本數據庫；

在操作文本數據庫的過程中能夠使用變量；

能夠使用數學運算和字符串操作；

能夠使用常見的編程結構，例如條件分支與循環；

能夠格式化輸出；

能夠自定義函數；

能夠在awk腳本中執行UNIX命令；

能夠處理UNIX命令的輸出結果；

裝備以上功能，awk能夠做得事情非常多。但千里之行，始于足下，我們首先從最基本的命令行語法開始，一步一步得走入awk的編程世界。

命令行語法

同sed一樣，awk的命令行語法也有兩種形式：

這里的program類似sed中的script，因為我們一直強調awk是一門編程語言，所以將awk的腳本視為一段代碼。而awk的腳本同樣可以寫到一個文件中，并通過-f參數指定，這一點和sed是一樣的。program一般多個pattern和action序列組成，當讀入的記錄匹配pattern時，才會執行相應的action命令。這里有一點要注意，在第一種形式中，除去命令行選項外，program參數一定要位于第一個位置。

Awk的輸入被解析成多個記錄（Record），默認情況下，記錄的分隔符是，因此可以認為一行就是一個記錄，記錄的分隔符可以通過內置變量RS更改。當記錄匹配某個pattern時，才會執行后續的action命令。

而每個記錄由進一步地被分隔成多個字段（Field），默認情況下字段的分隔符是空白符，例如空格、制表符等等，也可以通過-F ERE選項或者內置變量FS更改。在awk中，可以通過$1，$2…來訪問對應位置的字段，同時$0存放整個記錄，這一點有點類似shell下的命令行位置參數。關于這些內容，我們會在下面詳細介紹，這里你只要知道有這些東西就好。

標準的awk命令行參數主要由以下三個：

-F ERE：定義字段分隔符，該選項的值可以是擴展的正則表達式（ERE）；

-f progfile：指定awk腳本，可以同時指定多個腳本，它們會按照在命令行中出現的順序連接在一起；

-v assignment：定義awk變量，形式同awk中的變量賦值，即name=value，賦值發生在awk處理文本之前；

為了便于理解，這里舉幾個簡單的例子。通過-F參數設置冒號:為分隔符，并打印各個字段：

在awk的腳本中訪問通過-v選項設置的變量：

從上面可以看到，通過-v選項設置的變量在BEGIN的位置就可以訪問了。BEGIN是一個特殊的pattern，它在awk處理輸入之前就會執行，可以認為是一個初始化語句，與此對應的還有END。

好像還沒介紹如何指定處理的文件，是不是最后的argument就是指定的文件？在看我這本書之前，我也是這樣認為的，但是實際上arguemnt有兩種形式，它們分別是輸入文件（file）和變量賦值（assignment）。

awk可以同時指定多個輸入文件，如果輸入文件的文件名為’-‘，表示從標準輸入讀取內容。

變量賦值類似-v選項，它的形式為name=value。awk中的變量名同一般的編程語言無太多區別，但是不能同awk的保留關鍵字重名，可以查看awk的man手冊查詢哪些是保留關鍵字。而變量值只有兩種形式：字符串和數值。變量賦值必須位于腳本參數的后面，與文件名參數無先后順序的要求，但是位于不同位置的賦值它的執行時機是不同的。

我們用實際的例子來解釋這個區別，假設有兩個文件：a和b，它們的內容分別如下所示：

為了說明賦值操作發生的時機，我們在BEGIN，正常處理，END三個地方都打印變量的值。

第一種情況： 變量賦值位于所有文件名參數之前

結果：賦值操作發生在正常處理之前，BEGIN動作之后。

第二種情況：變量賦值位于所有文件名之后：

結果：賦值操作發生在正常處理之后，END動作之前。

第三種情況：變量賦值位于文件名之間：

結果：賦值操作發生在處理前面的文件之后，并且位于處理后面的文件之前；

總結如下：

如果變量賦值在第一個文件參數之前，在BEGIN動作之后執行，影響到正常處理和END動作；

如果變量賦值在最后一個文件參數之后，在END動作之前執行，僅影響END動作；

如果文件參數不存在，情況同1所述；

如果變量賦值位于多個文件參數之間，在變量賦值前面的文件被處理后執行，影響到后續文件的處理和END動作；

所以變量賦值一定要考慮清楚用途，否則比較容易出錯，不過一般情況下也不會用到變量賦值。

自然地大家會將變量賦值與-v assignment選項進行比較，賦值的形式是一致的，但是-v選項的執行時機比變量賦值要早：

可見，-v選項的賦值操作在BEGIN動作之前就執行了。

變量賦值一定要小心不要與保留關鍵字重名，否則會報錯：

記錄（Record）與字段（Field)

對于數據庫來說，一個數據庫表是由多條記錄組成的，每一行表示一條記錄（Record）。每條記錄由多列組成，每一列表示一個字段（Field)。Awk將一個文本文件視為一個文本數據庫，因此它也有記錄和字段的概念。默認情況下，記錄的分隔符是回車，字段的分隔符是空白符，所以文本文件的每一行表示一個記錄，而每一行中的內容被空白分隔成多個字段。利用字段和記錄，awk就可以非常靈活地處理文件的內容。

可以通過-F選項來修改默認的字段分隔符，例如/etc/passwd的每一行都是由冒號分隔成多個字段的，所以這里就需要將分隔符設置成冒號：

這里通過$1引用第一人字段，類似地$2表示第二個字段，$3表示第三個字段…. $0則表示整個記錄。內置變量NF記錄著字段的個數，所以$NF表示最后一個字段：

當然，$(NF-1)表示倒數第二個。

內置變量FS也可以用于更改字段分隔符，它記錄著當前的字段分隔符：

記錄的分隔符可以通過內置變量RS更改：

如果將RS設置成空，行為有就一點怪異了，它會將連續不為空行的所有行（一個段落）當作一個記錄，而且強制回車為字段分隔符：

這里，我們將變量賦值放到BEGIN動作中執行，因為BEGIN動作是在文件處理之前執行的，專門用于放初始化的語句。FS的賦值在這里是無效的，awk依然使用回車符來分隔字段。

腳本（Script）組成

命令行中的program部分，可以稱為awk代碼,也可以稱為awk腳本。一段awk腳本是由多個’pattern { action }‘序列組成的。action是一個或者多個語句，它在輸入行匹配pattern的時候被執行。如果pattern為空，表明這個action會在每一行處理時都會被執行。下面的例子簡單地打印文件的每一行，這里不帶任何參數的print語句打印的是整個記錄，類似’print $0‘：

除了pattern { action }，還可以在腳本中定義自定義的函數，函數定義格式如下所示：

函數的參數列表用逗號分隔，參數默認是局部變量，無法在函數之外訪問，而在函數中定義的變量為全局變量，可以在函數之外訪問，如：

Awk腳本中的語句使用空行或者分號分隔，使用分號可以放在同一行，不過有時候會影響可讀性，尤其是分支或循環結構中，很容易出錯。

如果Awk中的一個語句太長，要分成多行，可以在行為使用反斜杠’'：

這里我們將腳本寫到文件中，并通過-f參數來指定。但是，在一些特殊符號之后，是可以直接換行的，例如”, { &&

”。

模式（Pattern）

模式是awk中比較重要的一部分，它有以下幾種情況：

/regular expression/： 擴展的正則表達式（Extended Regular Expression）， 關于ERE可以參考這篇文章；

relational expression： 關系表達式，例如大于、小于、等于，關系表達式結果為true表示匹配；

BEGIN： 特殊的模式，在第一個記錄處理之前被執行，常用于初始化語句的執行；

END： 特殊的模式，在最后一個記錄處理之前被執行，常用于輸出匯總信息；

pattern, pattern：模式對，匹配兩者之間的所有記錄，類似sed的地址對；

例如查找匹配數字3的行：

相反地，可以在在正則表達式之前加上’!’表示不匹配：

除了BEGIN和END這兩個特殊的模式外，其余的模式都可以使用’&&’或者’

’運算符組合，前者表示邏輯與，后者表示邏輯或：

前面的正則都是整行匹配，有時候僅僅需要匹配某個字符，這樣我們可以用表達式$n ~ /ere/：

有時候我們只想顯示特定和行，例如顯示第一行：

正則表達式（Regular Expression）

正則表達式的內容介紹起來太麻煩，還是推薦同學閱讀現有的文章（如Linux/Unix工具與正則表達式的POSIX規范），里面對各個流派的正則表達式歸納地很清楚了。

表達式（Expressions）

表達式可以由常量、變量、運算符和函數組成，常數和變量的值可以為字符串和數值。

Awk中的變量有三種類型：用戶定義的變量，內置變量和字段變量。其中，內置變量名都是大寫的。變量并不非一定要被聲明或者被初始化，未初始化的字符串變量的值為””，未初始化的數值變量的值為0。字段變量可以用$n來引用，n的取值范圍為[0,NF]。n可以為一個變量，例如$NF代碼最后一個字段，而$(NF-1)表示倒數第二個字段。

數組

數組是一種特殊的變量，在awk中，比較特殊地是，數組的下標可以為數字或者字符串。數組的賦值很簡單，下面將value賦值給數組下標為index的元素：array[index]=value

可以用for..in..語法遍歷數組元素，其中item是數組元素對應的下標：for (item in array)

當然也可以在if分支判斷中使用in操作符：if (item in array)

一個完整的例子如下所示：

內置變量

Awk在內部維護了許多內置變量，或者稱為系統變量，例如之前提到的FS、RS等等。常見的內置變量如下表所示

變量名	描述
ARGC	命令行參數的各個，即ARGV數組的長度
ARGV	存放命令行參數
CONVFMT	定義awk內部數值轉換成字符串的格式，默認值為”%.6g”
OFMT	定義輸出時數值轉換成字符串的格式，默認值為”%.6g”
ENVIRON	存放系統環境變量的關聯數組
FILENAME	當前被處理的文件名
NR	記錄的總個數
FNR	當前文件中的記錄的總個數
FS	字段分隔符，默認為空白
NF	每個記錄中字段的個數
RS	記錄的分隔符，默認為回車
OFS	輸出時字段的分隔符，默認為空白
ORS	輸出時記錄的分隔符，默認為回車
RLENGTH	被match函數匹配的子串長度
RSTART	被match函數匹配的子串位于目標字符串的起始下標

下面主要介紹幾個比較難理解的內置變量：

ARGV與ARGC

ARGV與ARGC的意思比較好理解，就像C語言main(int argc, char **argv)。ARGV數組的下標從0開始到ARGC-1，它存放的是命令行參數，并且排除命令行選項（例如-v/-f）以及program部分。因此事實上ARGV只是存儲argument的部分，即文件名（file）以及命令行變量賦值兩部分的內容。

通過下面的例子可以大概了解ARGC與ARGV的用法：

ARGV的用法不僅限于此，它是可以修改的，可以更改數組元素的值，可以增加數組元素或者刪除數組元素。

更改ARGV元素的值

假設我們有a, b兩個文件，它們各有一行內容：file a和file b。現在利用ARGV，我們可以做到偷梁換柱：

這里要注意ARGV[1]=”b”的引號不能缺少，否則ARGV[1]=b會將變量b的值賦值給ARGV[1]。

當awk處理完一個文件之后，它會從ARGV的下一個元素獲取參數，如果是一個文件則繼續處理，如果是一個變量賦值則執行賦值操作：

當下一個元素為空時，則跳過不處理，這樣可以避開處理某個文件：

上面的例子中a這個文件就被跳過了。

而當下一個元素的值為”-”時，表明從標準輸入讀取內容：

刪除ARGV元素

刪除ARGV元素和將元素的值賦值為空的效果是一樣的，它們都會跳轉對某個參數的處理：

刪除數組元素可以用delete語句。

增加ARGV元素

我第一次看到ARGV變量的時候就在想，能不能利用ARGV變量避免提供命令行參數，就像這樣:awk 'BEGIN{ARGV[1]="a";} {print}'

但是事實上這樣不行，awk會依然從標準輸入中獲取內容。下面的方法倒是可以，首先增加ARGC的值，再增加ARGV元素，我到現在也沒搞懂這兩者的區別：

CONVFMT與OFMT

Awk中允許數值到字符串相互轉換，其中內置變量CONVFMT定義了awk內部數值到字符串轉換的格式，它的默認值為”%.6g”：

通過更改CONVFMT，我們可以定義自己的轉換格式：

與此對應地還有一個內置變量OFMT，它與CONVFMT的作用是類似的，只不過是影響輸出的時候數字轉換成字符串的格式：

ENVIRON

ENVIRON是一個存放系統環境變量的關聯數組，它的下標是環境變量名稱，值是相應環境變量的值。例如：

利用環境變量也可以將值傳遞給awk：

可以利用for..in循環遍歷ENVIRON數組：

RLENGTH與RSTART

RLENGTH與RSTART都是與match函數相關的，前者表示匹配的子串長度，后者表示匹配的子串位于目標字符串的起始下標。例如：

運算符

表達式中必然少不了運算符，awk支持的運算符可以參見man手冊中的“Expressions in awk”一小節內容：

語句（Statement）

到目前為止，用得比較多的語句就是print，其它的還有printf、delete、break、continue、exit、next等等。這些語句與函數不同的是，它們不會使用帶括號的參數，并且沒有返回值。不過也有意外，比如printf就可以像函數一樣的調用：

break和continue語句，大家應該比較了解，分別用于跳出循環和跳到下一個循環。

delete用于刪除數組中的某個元素，這個我們在上面介紹ARGV的時候也使用過。

exit的用法顧名思義，就是退出awk的處理，然后會執行END部分的內容：

next語句類似sed的n命令，它會讀取下一條記錄，并重新回到腳本的最開始處執行：

從上面可以看出next后面的print語句不會執行。

print與printf語句是使用最多的，它們將內容輸出到標準輸出。注意在print語句中，輸出的變量之間帶不帶逗號是有區別的：

print輸出時，字段之間的分隔符可以由OFS重新定義：

除此之外，print的輸出還可以重定向到某個文件中或者某個命令：

假設有這一樣一個文件，第一列是語句名稱，第二列是對應的說明：

現在我們要將兩列的內容分別輸出到statement.txt和description.txt兩個文件中：

下面是一個重定向到命令的例子，假設我們要對下面的文件進行排序：

可以通過將print的內容重定向到”sort -n”命令：

printf命令的用法與print類似，也可以重定向到文件或者輸出，只不過printf比print多了格式化字符串的功能。printf的語法也大多數語言包括bash的printf命令類似，這里就不多介紹了。

數學函數

awk中支持以下數學函數：

atan2(y,x)：反正切函數；

cos(x)：余弦函數；

sin(x)：正弦函數；

exp(x)：以自然對數e為底指數函數；

log(x)：計算以e 為底的對數值；

sqrt(x)：開平方函數；

int(x)：將數值轉換成整數（絕對值）；

rand()：返回0到1的一個隨機數值，不包含1；

srand([expr])：設置隨機種子，一般與rand函數配合使用，如果參數為空，默認使用當前時間為種子；

例如，我們使用rand()函數生成一個隨機數值：

但是你會發現，每次awk執行都會生成同樣的隨機數，但是在一次執行過程中產生的隨機數又是不同的。因為每次awk執行都使用了同樣的種子，所以我們可以用srand()函數來設置種子:

這樣每次生成的隨機數就不一樣了。

利用rand()函數我們也可以生成1到n的整數：

字符串函數

awk中包含大多數常見的字符串操作函數。

sub

sub(ere, repl[, in])

描述：簡單地說，就是將in中匹配ere的部分替換成repl，返回值是替換的次數。如果in參數省略，默認使用$0。替換的動作會直接修改變量的值。

下面是一個簡單的替換的例子：

在repl參數中&是一個元字符，它表示匹配的內容，例如：

gsub

gsub(ere, repl[, in])

描述：同sub()函數功能類似，只不過是gsub()是全局替換，即替換所有匹配的內容。

index

index(s, t)

描述：返回字符串t在s中出現的位置，注意這里位置是從1開始計算的，如果沒有找到則返回0。

例如：

length

length[([s])]

描述：返回字符串的長度，如果參數s沒有指定，則默認使用$0作為參數。

例如：

match

match(s, ere)

描述： 返回字符串s匹配ere的起始位置，如果不匹配則返回0。該函數會定義RSTART和RLENGTH兩個內置變量。RSTART與返回值相同，RLENGTH記錄匹配子串的長度，如果不匹配則為-1。

例如：

split

split(s, a[, fs])

描述：將字符串按照分隔符fs，分隔成多個部分，并存到數組a中。注意，存放的位置是從第1個數組元素開始的。如果fs為空，則默認使用FS分隔。函數返回值分隔的個數。

例如：

這里有一個奇怪的地方是for..in..輸出的數組不是按順序輸出的，如果要按順序輸出可以用常規的for循環:

sprintf

sprintf(fmt, expr, expr, …)

描述：類似printf，只不過不會將格式化后的內容輸出到標準輸出，而是當作返回值返回。

例如：

substr

substr(s, m[, n])

描述：返回從位置m開始的，長度為n的子串，其中位置從1開始計算，如果未指定n或者n值大于剩余的字符個數，則子串一直到字符串末尾為止。

例如：

tolower

tolower(s)

描述：將字符串轉換成小寫字符。

例如：

toupper

toupper(s)

描述：將字符串轉換成大寫字符。

例如

I/O處理函數

getline

getline的用法相對比較復雜，它有幾種不同的形式。不過它的主要作用就是從輸入中每次獲取一行輸入。

expression | getline [var]

這種形式將前面管道前命令輸出的結果作為getline的輸入，每次讀取一行。如果后面跟有var，則將讀取的內容保存到var變量中，否則會重新設置$0和NF。

例如，我們將上面的statement.txt文件的內容顯示作為getline的輸入：

上面的例子中命令要用雙引號，cat statement.txt，這一點同print/printf是一樣的。

如果不加var，則直接寫到$0中，注意NF值也會被更新：

getline [var]

第二種形式是直接使用getline，它會從處理的文件中讀取輸入。同樣地，如果var沒有，則會設置$0，并且這時候會更新NF, NR和FNR：

getline [var] < expression

第三種形式從expression中重定向輸入，與第一種方法類似，這里就不加贅述了。

close

close函數可以用于關閉已經打開的文件或者管道，例如getline函數的第一種形式用到管道，我們可以用close函數把這個管道關閉，close函數的參數與管道的命令一致：

但是每次讀了一行后，關閉管道，然后重新打開又重新讀取第一行就死循環了。所以要慎用，一般情況下也很少會用到close函數。

system

這個函數很簡單，就是用于執行外部命令，例如：

結束語

快速了解Awk系列的幾篇文章相對比較粗糙，我是參考Awk的man手冊以及《Sed & Awk》附錄B總結而成的，但是應該可以讓大家對awk有一個大致的了解，歡迎大家一起交流。