awk 学习笔记

申明：本篇文章大部分是链接CU里一位牛人的所写，本人不想剽窃他人劳动成果，只是小计。

在文本处理的工作中，awk的数组是必不可少的工具，在这里，同样以总结经验和教训的方式和大家分享下我的一些学习心得，如有错误的地方，请大家指正和补充。

awk的数组，一种关联数组（Associative Arrays），下标可以是数字和字符串。因无需对数组名和元素提前声明，也无需指定元素个数 ，所以awk的数组使用非常灵活。
首先介绍下几个awk数组相关的知识点：

<1>建立数组

1. array[index] = value ：数组名array，下标index以及相应的值value。

<2>读取数组值

1. { for (item in array)  print array[item]} # 输出的顺序是随机的
   
2. {for(i=1;i<=len;i++)  print array[i]} # Len 是数组的长度

<3>多维数组，array[index1,index2,……]：SUBSEP是数组下标分割符，默认为“\034”。可以事先设定SUBSEP，也可以直接在SUBSEP的位置输入你要用的分隔符，如：

1. awk 'BEGIN{SUBSEP=":";array["a","b"]=1;for(i in array) print i}'
   
2. a:b
   
3. awk 'BEGIN{array["a"":""b"]=1;for(i in array) print i}'
   
4. a:b

但，有些特殊情况需要避免，如：

1. awk 'BEGIN{
   
2. SUBSEP=":"
   
3. array["a","b:c"]=1               # 下标为“a:b:c”
   
4. array["a:b","c"]=2               #下标同样是“a:b:c”
   
5. for (i in array) print i,array[i]}'
   
6. a:b:c 2                                 #所以数组元素只有一个。

<4>删除数组或数组元素： 使用delete 函数

1. delete array                     #删除整个数组
   
2. delete array[item]           # 删除某个数组元素（item）

<5> 排序：awk中的asort函数可以实现对数组的值进行排序，不过排序之后的数组下标改为从1到数组的长度。在gawk 3.1.2以后的版本还提供了一个asorti函数，这个函数不是依据关联数组的值，而是依据关联数组的下标排序。

下面说awk数组的实际应用。

1.  除去重复项, 这个不多说, 只给出代码：

1. awk '!a[$0]++' file(s)                  
   
2. awk '!($0 in a){a[$0];print}' file(s)   

另一种：

2. 计算总数（sum），如：

1. awk  '{name[$0]+=$1};END{for(i in name) print  i, name[i]}'

3. 查看文件差异。

1. cat file1
   
2. aaa
   
3. bb
   
4. ccc
   
5. ddd
   
6. cat file2
   
7. aaa
   
8. eee
   
9. ddd
   
10. fff

<1>  合并file1和file2，除去重复项：

1. awk 'NR==FNR{a[$0]=1;print}   #读取file1，建立数组a，下标为$0，并赋值为1，然后打印
   
2. NR>FNR{                   #读取file2
   
3. if(!(a[$0])) {print }      #如果file2 的$0不存在于数组a中，即不存在于file1，则打印。
   
4. }' file1 file2
   
5. aaa
   
6. bbb
   
7. ccc
   
8. ddd
   
9. eee
   
10. fff

<2> 提取文件1中有，但文件2中没有：

1. awk 'NR==FNR{a[$0]=1}           #读取file2，建立数组a，下标为$0，并赋值为1
   
2. NR>FNR{                   #读取file1
   
3. if(!(a[$0])) {print }      #如果file1 的$0不存在于数组a中，即不存在于file2，则打印。
   
4. }' file2 file1
   
5. bbb
   
6. ccc

另：

4.  排序：

1. echo "a
   
2. 1
   
3. 0
   
4. b
   
5. 2
   
6. 10
   
7. 8
   
8. 100" |
   
9. awk '{a[$0]=$0} #建立数组a，下标为$0，赋值也为$0
   
10. END{
    
11. len=asort(a)      #利用asort函数对数组a的值排序，同时获得数组长度len
    
12. for(i=1;i<=len;i++) print i "\t"a[i]  #打印
    
13. }'
    
14. 1       0
    
15. 2       1
    
16. 3       2
    
17. 4       8
    
18. 5       10
    
19. 6       100
    
20. 7       a
    
21. 8       b

5.  有序输出：采用（index in array）的方式打印数组值的顺序是随机的，如果要按原序输出，则可以使用下面的方法：

1. awk '{a[$1]=$2
   
2. c[j++]=$1}
   
3. END{
   
4. for(m=0;m
5. }'

6.  多个文本编辑：这里主要指的是待处理的文本之间的格式上有区别，如分隔符不同，；或是待处理文本需提取的信息的位置不同，如不同的列或行。
<例1>：

1. cat file1
   
2. g1.1 2
   
3. g2.2 4
   
4. g2.1 5
   
5. g4.1 3
   
6. cat file2
   
7. g1.1 2
   
8. g1.2 3
   
9. g4.1 4
   
10. cat file3
    
11. g1.2 3
    
12. g5.1 3

要求输出：

1. g1.1 2 2 -
   
2. g1.2 - 3 3
   
3. g2.2 4 - -
   
4. g2.1 5 - -
   
5. g4.1 3 4 -
   
6. g5.1 - - 3

实现代码如下：

1. awk '{a[ARGIND" "$1]=$2 # ARGIND是当前命令行文件的位置（从0开始），将它和第一列的value作为下标，建立数组a。
   
2.        b[$1]   #将第一列的value作为下标，建立数组b，目的是在读完所有文件之后，能得到第一列value的uniqe-list。
   
3.         }
   
4. END{
   
5.         for(i in b) {
   
6.                 printf i" "
   
7.                 for(j=1;j<=ARGIND;j++) printf "%s ", a[j" "i]?a[j" "i]:"-" #此时的ARGIND值为3.
   
8. print ""
   
9.                 }
   
10.         }' file1 file2 file3

这里是利用awk的内置变量ARGIND来处理完成对文件的处理。关于ARGIND，ARGV，ARGC的使用，大家可以参考：。
当然，我们也可以利用另外一个内置变量FILENAME来完成相同的任务（大家可以先想想怎么写），如下：

1. awk '{a[FILENAME" "$1]=$2;b[$1];c[FILENAME]}END{for(i in b) {printf i" ";for(j in c) printf "%s ", a[j" "i]?a[j" "i]:"-";print""}}' file1 file2 file3

<例2>：对上面的数据的格式稍作改动，每个文件的分隔符都一样的情况，但输出要求不变：

1. cat file1
   
2. g1.1|2
   
3. g2.2|4
   
4. g2.1|5
   
5. g4.1|3
   
6. cat file2
   
7. g1.1#2
   
8. g1.2#3
   
9. g4.1#4
   
10. cat file3
    
11. g1.2@3
    
12. g5.1@3

实现代码如下：

1. awk '{a[ARGIND" "$1]=$2
   
2. b[$1]
   
3. }
   
4. END{
   
5. for(i in b) {
   
6. printf i" "
   
7. for(j=2;j<=ARGIND;j+=2) printf "%s ", a[j" "i]?a[j" "i]:"-" # 由于FS的设置也是有对应ARGIND值，所以对ARGIND稍作改动。
   
8. print ""
   
9. }
   
10. }' FS="|" file1 FS="#" file2 FS="@" file3 # 对每个文件分别设置FS的值。

因为这个例子的数据比较简单，我们也可以在BEGIN模块中完成对FS值设置，如下：

1. awk 'BEGIN{FS="[|#@]"}{a[ARGIND" "$1]=$2; b[$1]}END{for(i in b) {printf i" ";for(j=1;j<=ARGIND;j++) printf "%s ", a[j" "i]?a[j" "i]:"-"; print ""}}' file1 file2 file3

利用FILENAME 同样可以解决问题：

1. awk '
   
2. FILENAME=="file1"{FS="|"}    # 设置FS
   
3. FILENAME=="file2"{FS="#"}   #设置FS
   
4. FILENAME=="file3"{FS="@"}  #设置FS
   
5. # 稍显繁琐，不过一目了然
   
6. {$0=$0}                                   #使FS生效。
   
7. {a[ARGIND" "$1]=$2; b[$1]}
   
8. END{ for(i in b) {printf i" "; for(j=1;j<=ARGIND;j++) printf "%s ", a[j" "i]?a[j" "i]:"-"; print ""}
   
9. }' file1 file2 file3

推荐一个关于数组处理文件的帖子 ，里面有不少例子供大家学习。

7.  文本翻转或移位：二维或多维数组的应用
<例1>：

1. Inputfile
   
2. 1 2 3 4 5 6
   
3. 2 3 4 5 6 1
   
4. 3 4 5 6 1 2
   
5. 4 5 6 1 2 3
   
6. Outputfile
   
7. 4 3 2 1
   
8. 5 4 3 2
   
9. 6 5 4 3
   
10. 1 6 5 4
    
11. 2 1 6 5
    
12. 3 2 1 6
    
13. 
    
14. awk '{
    
15.      if (max_nf < NF)
    
16.           max_nf = NF # 数组第一维的长度
    
17.      max_nr = NR      # 数组第二维的长度
    
18.      for (x = 1; x <= NF; x++)
    
19.           vector[x, NR] = $x #建立数组vector
    
20. }
    
21. END {
    
22.      for (x = 1; x <= max_nf; x++) {
    
23.           for (y = max_nr; y >= 1; --y)
    
24.                printf("%s ", vector[x, y])
    
25.           printf("\n")
    
26.      }
    
27. }'

<例2>：来自
有两个文本a和b，要求输出c文本，合并的规则是按照第一行的headline（按字母顺序）合并文本a和b，空缺按“0”补齐。

1. cat a.txt
   
2. a b c d
   
3. 1 2 9 7
   
4. 4 5 8 9
   
5. 5 3 6 1
   
6. cat b.txt
   
7. a e f d g
   
8. 9 2 4 7 3
   
9. 4 3 7 9 4
   
10. cat c.txt
    
11. a b c d e f g
    
12. 1 2 9 7 0 0 0
    
13. 4 5 8 9 0 0 0
    
14. 5 3 6 1 0 0 0
    
15. 9 0 0 7 2 4 3
    
16. 4 0 0 9 3 7 4

下面我们来参看并解读下Tim大师的代码：

1. awk '
   
2. FNR==1{    #FNR==1，即a和b文本的第一行，这个用的真的很巧妙。
   
3.         for(i=1;i<=NF;i++){
   
4.                 b[i]=$i    #读取文本的每个元素存入数组b
   
5.                 c[$i]++}  #另建立数组c，并统计每个元素的个数
   
6.                 next          #可以理解为，读取FNR!=1的文本内容。
   
7.         }
   
8. {k++                                     # 统计除去第一行的文本行数
   
9. for(i=1;i<=NF;i++)a[k","b[i]]=$i  #利用一个二维数组来保持每个数字的位置， k，b[i]可以理解为每个数字的坐标。
   
10. }
    
11. END{
    
12.         l=asorti(c)          #利用asorti函数对数组的下标进行排序，并获取数组长度，即输出文件的列数(NF值)
    
13.         for(i=1;i<=l;i++)printf c[i]" " # 先打印第一行，相当于headline。
    
14.         print ""
    
15.         for(i=1;i<=k;i++){
    
16.                 for(j=1;j<=l;j++)printf a[i","c[j]]?a[i","c[j]]" ":"0 " # 打印二维数组的值。
    
17.                 print ""}
    
18.         }' a.txt b.txt

8.  选择性打印：
打印某个关键字前几行，以3行为例：

1. seq 20 |awk '/\<10\>/{for(i=NR-3;i
2. 7
   
3. 8
   
4. 9

利用NR取余数，建立数组，这是一种非常高效的代码。

9. 通过split函数建立数组：数组的下标为从1开始的数字。

1. split(s, a [, r]) # s：string， a：array name，[,r]：regular expression。
   
2. echo 'abcd' |awk '{len=split($0,a,"");for(i=1;i<=len;i++) print "a["i"] = " a[i];print "length = " len}'
   
3. a[1] = a
   
4. a[2] = b
   
5. a[3] = c
   
6. a[4] = d
   
7. length = 4

10． awk数组使用的小技巧和需要避免的用法：

<1> 嵌套数组：

1. awk 'BEGIN{a[1]=3;b[1]=1;print a[b[1]]}'
   
2. 3

<2> 下标设为变量或函数：

1. awk 'BEGIN{s=123;a[substr(s,2)]=substr(s,1,1);for(i in a)print "index : "i"\nvalue : "a[i]}'
   
2. index : 23
   
3. value : 1

<3> 不可以将数组名作为变量使用，否则会报错：

1. awk 'BEGIN{a["1"] = 3; delete a;a=3;print a}'  #即使你已经使用了delete函数。
   
2. awk: fatal: attempt to use array `a' in a scalar context

<4> 数组的长度：

1. length(array)  

<5> match 函数也可以建立数组（你知道么？，版本要求高于gawk 3.1.2）

1. echo "foooobazbarrrrr |
   
2. gawk '{ match($0, /(fo+).+(bar*)/, arr)  #匹配到的部分自动赋值到arr中，下标从1开始
   
3.           print arr[1], arr[2]
   
4.           print arr[1, "start"], arr[1, "length"]  #二维数组arr[index,＂start＂]值=RSTART
   
5.           print arr[2, "start"], arr[2, "length"]  #二维数组arr[index,＂length＂]值=RLENGTH
   
6.           }'
   
7. foooo barrrrr
   
8. 1 5
   
9. 9 7

<6>想到过用split清空数组么?

1. awk 'BEGIN{
   
2. split("abc",array,"")
   
3. print "array[1] = "array[1],"\narray[2] = "array[2],"\narray[3] = "array[3]
   
4. split("",array)
   
5. print "array[1] = "array[1],"\narray[2] ="array[2],"\narray[3] ="array[3]
   
6. }'
   
7. array[1] = a
   
8. array[2] = b
   
9. array[3] = c
   
10. array[1] =
    
11. array[2] =
    
12. array[3] =