awk

awk是Unix环境下一种非常好的语言，适合于文本处理和报表生成，它还有许多精心设计的特性，允许进行特殊技巧程序设计。对于短消息来说，比如处理话单文件，使用awk就非常方便，鉴于测试组大部分人对awk并不熟悉，因此仅以本文作一个提纲挈领的介绍，希望对初学者迅速掌握awk有所帮助。

awk程序

所有的编程书籍都是通过一个“Hello world!”简单程序入门，作为借鉴，本文也采用此方法带大家入门。现在，在当前目录下建立一个文本文件hello.txt，内容如下：

Hello world!

在命令行中输入以下命令：

$ awk '{ print }' hello.txt

执行后hello.txt文件的内容显示在屏幕上。编写并且执行awk程序的方法很简单，如上所示，花括号内的是程序代码，后面的hello.txt为指定的输入文件。awk是一种行处理程序，执行awk时，它依次对输入文件中的每一行执行花括号中的代码，如上面的例子，就是对hello.txt中的每一行执行print命令。所有输出都发送到stdout，最后在屏幕上显示的结果为“Hello world!”。

上面的例子是将脚本作为命令行自变量传递给awk，我们也可以把脚本写入一个外部文件，然后通过-f选项向awk传递这个脚本文件。例如编写脚本文件hello.ask如下：

{ print }

然后通过如下方式执行：

$ awk -f hello.awk hello.txt

这种编写独立脚本文件的方式应用在多行、比较复杂的程序上，非常合适，而且，在后面你还将看到，这种方式还可以让你非常方便地使用附加awk功能。

awk有自己的特殊变量集合。其中一些允许调整awk的运行方式，而其它变量可以被读取以收集关于输入的有用信息。下面列举出最基本的几个常用变量，并用例子一一说明用法。

Awk特殊变量	描述
$number	表示记录的字段。比如，$1表示第1个字段，$2表示第2个字段，如此类推。而$0比较特殊，表示整个当前行
FS	表示字段分隔符
NF	表示当前记录中的字段数量
NR	表示当前记录的编号（awk将第一个记录算作记录号1）

为了便于举例说明，在当前目录下生成一个历史话单文件bill（注意，是一行内容，中间没有换行符），其内容如下：

4429300,0,8613902700001,8613902700002,8613800288500,2004/06/26 10:31:33,2004/06/26 10:31:33,0,0,0,4,6,1,0,0,0,,0,2004/06/26 10:31:32,NULL,1,0,0,nihao@,

4429300,0,8613902700001,8613902700003,8613800288500,2004/06/26 10:31:33,2004/06/26 10:31:33,0,0,0,4,6,1,0,0,0,,0,2004/06/26 10:31:32,NULL,1,0,0,nihao@,

我们可以使用$0变量将整个bill文件内容读出：

$ awk '{ print $0 }' bill

可以看出，在awk中，print和print $0的作用完全一样。

使用$number变量，对多个字段的文本进行处理，将变得非常容易，它可以让你毫不费力地引用每个独立的字段。例如，我们可以列出主叫号码和被叫号码：

$ awk -F"," '{ print $3,$4 }' bill

上例中，在调用awk时，使用-F选项来指定","作为字段分隔符。awk处理后打印出主叫号码字段和被叫号码字段。而且，你还可以在字段中插入字符，比如：

$ awk -F"," '{ print "OrgAddr: "$3, "\tDestAddr: "$4 }' bill

以下是该脚本输出：

OrgAddr: 8613902700001  DestAddr: 8613902700002

OrgAddr: 8613902700001  DestAddr: 8613902700003

以上命令中，我们是通过-F选项来指定字段分隔符的。如果我们使用的是脚本文件，则就要用到FS变量来设置字段分隔符。编写脚本文件bill.awk如下：

BEGIN {

    FS=","

}

 

{ print "OrgAddr: "$3, "\tDestAddr: "$4 }

建议最好用脚本文件，这样方便日后重复利用，也方便修改。

FS值并没有被限制为单一字符，可以通过指定任意长度的字符模式，将它设置成正则表达式。如果正在处理由一个或多个tab分隔的字段，可以按以下方式设置FS：

FS="\t+"

另外，这个脚本里出现了陌生的BEGIN，有必要解释一下。通常，对于每个输入行，awk都会执行每个脚本代码块一次。然而，在许多编程情况中，可能需要在awk开始处理输入文件中的文本之前执行初始化代码。对于这种情况，awk允许你定义一个BEGIN块。我们在上面的例子中使用了BEGIN块。因为awk在开始处理输入文件之前会执行BEGIN块，因此它是初始化FS（字段分隔符）变量、打印页眉或初始化其它在程序中以后会引用的全局变量的极佳位置。

awk还提供了另一个特殊块，叫作END块。awk在处理了输入文件中的所有行之后执行这个块。通常，END块用于执行最终计算或打印应该出现在输出流结尾的摘要信息。

NF变量，也叫做“字段数量”变量。awk会自动将该变量设置成当前记录中的字段数量。可以使用NF变量来只显示某些输入行：

NF == 3 { print $1,$2,$3 }

NR变量始终包含当前记录的编号（awk将第一个记录算作记录号1）。迄今为止，我们处理的输入文件每一行包含一个记录，对于这些情况，NR就是当前行号。可以象使用NF变量一样使用NR来只打印某些输入行：

(NR < 10 ) || (NR > 100) { print "We are on record number 1-9 or 101+" }

在本文的第二部分我们还会讨论两个特别有用的特殊变量。

awk 允许使用正则表达式，根据正则表达式是否匹配当前行来选择执行独立代码块。以下示例脚本只输出bill中包含字符序列8613902700003的那些行：

$ awk '/8613902700003/ { print }' bill

当然，可以使用更复杂的正则表达式：

/[0-9]*/ { print }

下面列出正则表达式元字符：

字符	描述
.	可代替除一行之外的任何单个字符
*	可代替零个或多个在它前面出现的字符
[chars]	可代替chars中的任何一个字符，chars是一串字符序列。你可以用-符号来定义一个字符范围。如果^是chars中的第一个字符，那么将匹配没有在chars中指定的字符
^	匹配一行的开头
$	匹配一行的结尾
\	把\后面的字符照常输出，通常用来转义（不使用特殊含义）一个元字符

除了使用正则表达式来选择行，我们也可以使用布尔表达式来选择行。使用方法是将布尔表达式放在代码块之前，仅当对前面的布尔表达式求值为真时，awk才执行代码块。以下示例脚本将输出bill中第四个字段等于8613902700003的所有行中的第三、四字段。如果当前行的第四个字段不等于8613902700003，awk将继续处理文件而不对当前行执行print语句：

$4 == "8613902700003" { print "OrgAddr: "$3, "\tDestAddr: "$4 }

注意，代码块前的布尔表达式必须与代码块在同一行上。

awk 提供了完整的比较运算符集合，包括"=="、"<"、">"、"<="、">="和"!="。另外，awk还提供了"~"和"!~" 运算符，它们分别表示“匹配”和“不匹配”。它们的用法是在运算符左边指定变量，在右边指定正则表达式。例如：

$4 ~ /8613902700003/ { print "OrgAddr: "$3, "\tDestAddr: "$4 }

awk还允许使用布尔运算符"||"（逻辑或）和"&&"（逻辑与），以便创建更复杂的布尔表达式：

( $3 == "8613902700001" ) && ( $4 == "8613902700003" ) { print }

awk的另一个优点是它有完整的数学运算符集合。除了标准的加、减、乘、除，awk还允许使用指数运算符"^"、模运算符"%"和其它许多从C语言中借入的易于使用的赋值操作符。

这些运算符包括前后加减（i++、--j）、加／减／乘／除赋值运算符（a+=3、b*=2、c/=2.2、d-=6.2）。不仅如此，还有易于使用的模／指数赋值运算符（a^=2、b%=4）。

awk变量“字符串化”是指所有awk变量在内部都是按字符串形式存储的。而且只要变量包含有效数字字符串，就可以对它执行数学操作，awk会自动处理字符串到数字的转换步骤。请看以下这个示例：

BEGIN   { x="0" }

/^$/    { x=x+1 }

END     { print "I found " x " blank lines. :)" }

这个例子的功能是计算文件中空白行的数量，^$表示空行。

如果做一个小实验，就可以发现如果某个特定变量不包含有效数字，awk在对数学表达式求值时会将该变量当作数字0处理。

在这一节里，顺带着讲一下三个特别的变量：

Awk特殊变量	描述
RS	表示记录分隔符
OFS	表示输出字段分隔符，在两个单独的字段间插入定义的字符串
ORS	表示输出记录分隔符，在两个单独的记录间插入定义的字符串

第一部分我们讨论的都是一个记录占用一行的情况，如果要分析占据多行的记录，除了依靠FS，还需要设置RS（记录分隔符变量）。RS变量告诉awk当前记录什么时候结束，新记录什么时候开始。

为了便于讨论，我们依然首先在当前目录下生成一个通讯录文件address，其内容如下：

zhangsan

13712345678

[e-mail]

 

lisi

13012345678

[e-mail]

要处理这个文件，可以将每三行看作是一个独立的记录，一个记录包含三个字段。如下脚本将原记录由三行转换成一行输出：

BEGIN {

    FS="\n"

    RS=""

}

 

{

    print $1 ", " $2 ", " $3

}

此代码将产生以下输出：

zhangsan, 13712345678, [e-mail]

lisi, 13012345678, [e-mail]

在上面例子中，为了在三个字段之间插入一个逗号和空格，使用了", "。这个方法虽然有用，但比较难看。其实我们还有更好的方法，那就是设置变量OFS（输出字段分隔符）。OFS缺省情况下被设置成" "（单个空格）。使用如下脚本可以达到上面例子同样的效果：

BEGIN {

    FS="\n"

    RS=""

    OFS=", "

}

 

{

    print $1, $2, $3

}

awk还有一个特殊变量ORS（输出记录分隔符）。ORS缺省情况下被设置成"\n"，如果我们将其设为"\n\n"，就可以使输出记录的间隔翻倍。例子就不举了，大家可以自己试试。个空格分隔记录（而不换行），将ORS设置成" "。

需要注意的是，使用上面的方法，最多只能处理一个记录占用三行的文本，象下面一个记录占据四行的通讯录，就处理不了了（大家可以试试看）：

wangwu

13512345678

[e-mail]

wuhan, hubei

要处理这种情况，代码最好考虑每个记录的字段数量，并依次打印每个记录。以下就是修正的代码：

BEGIN {

    FS="\n"

    RS=""

    ORS=""

}

 

{ 

        x=1

        while ( x

                print $x "\t"

                x++

        }

        print $NF "\n"

}

程序输出如下：

wangwu  13512345678     [e-mail]      wuhan, hubei

awk的if语句类似于C语言的if语句，没什么好说的，举一个例子吧：

{

    if ( $1 == "foo" ) {

        if ( $2 == "foo" ) {

            print "uno"

        } else {

            print "one"

        }

    } else if ($1 == "bar" ) {

        print "two"

    } else {

        print "three"

    }

}

其时在第1节的最后，我们已经看到了awk的while循环结构，它等同于相应的C语言while循环。awk还有"do...while"循环，它在代码块结尾处对条件求值，还是直接举例吧：

do...while 示例

{

    count=1

    do {

        print "I get printed at least once no matter what"

    } while ( count != 1 )

}

for 循环

也等同于C语言的for循环：

for ( x = 1; x <= 4; x++ ) {

    print "iteration",x

}

break 和 continue

此外，如同C语言一样，awk提供了break、continue来控制awk的循环结构。break语句用于跳出最深层的循环，使循环立即终止，并继续执行循环代码块后面的语句。continue语句使awk立即开始执行下一个循环迭代，而不执行代码块的其余部分。

在awk中，数组下标通常从1开始，而不是0：

myarray[1]="jim"

myarray[2]=456

awk遇到第一个赋值语句时，它将创建myarray，并将元素myarray[1]设置成"jim"。执行了第二个赋值语句后，数组就有两个元素了。Awk数组不需要连续的数字序列下标（例如，可以定义myarr[1]和myarr[1000]，但不定义其它所有元素）

awk可以使用"in"操作来遍历数组中的所有元素，如下所示：

for ( x in myarray ) {

    print myarray[x]

}

但是这个方法有一个缺点——当awk在数组下标之间轮转时，它不会依照任何特定的顺序。那就意味着我们不能知道以上代码的输出是：

jim

456

还是

456

jim

awk数组中还可以使用字符串下标，其实，不管你使用的下标是字符串还是数字，awk在幕后还将其认为是字符串下标。举例如下：

代码一：

myarr["1"]="China"

print myarr["1"]

代码二：

myarr["1"]="Mr. Whipple"

print myarr[1]

代码三：

myarr["name"]="Mr. Whipple"

print myarr["name"]

它们都将打印 "China"！

删除数组元素使用delete，举例如下：

delete fooarray[1]

另外，如果想要查看是否存在某个特定数组元素，可以使用特殊的"in"布尔运算符，如下所示：

if ( 1 in fooarray ) {

    print "It's there."

} else {

    print "Can't find it."

}

精通

虽然大多数情况下awk的print语句可以完成任务，但有时我们还需要更多。使用两个函数printf()、sprintf()，将能让输出锦上添花。printf()会将格式化字符串打印到stdout，而sprintf()则返回可以赋值给变量的格式化字符串。

从下面例子可以看到，它们几乎与C语言完全相同。

x=1

b="foo"

printf("%s got a %d on the last test\n","Jim",83)

myout=("%s-%d",b,x)

print myout

此代码将打印：

Jim got a 83 on the last test

foo-1

既然awk把所有变量都当作字符串处理，那么字符串处理对awk就显得尤为重要。但要说明一点，awk不能象在其它语言（如 C、C++）中那样将字符串看作是字符数组。例如，如果执行以下代码：

mystring="How are you doing today?"

print mystring[3]

将会接收到一个错误，如下所示：

awk: string.gawk:59: fatal: attempt to use scalar as array

不用担心，awk有许多字符串函数，弥补了这个缺陷。现将常用的字符串函数列举如下：

字符串函数	描述
length()	返回字符串的长度
index()	返回子字符串在另一个字符串中出现的位置
tolower()	返回字符串并且将所有字符转换成小写
toupper()	返回字符串并且将所有字符转换成大写
substr()	返回从字符串中选择的子串
match()	返回子字符串在另一个字符串中出现的位置。它与index()的区别在于它并不搜索子串，它搜索的是正则表达式。
sub()	替换匹配的第一个字符序列，并返回整个字符串
gsub()	替换匹配的全部字符序列，并返回整个字符串
split()	分割字符串，并将各部分放到使用整数下标的数组中

length()返回字符串的长度，例子如下：

print length(mystring)

index()返回子字符串在另一个字符串中出现的位置，如果没有找到该字符串则返回0，例子如下：

print index(mystring,"you")

tolower()和toupper()返回字符串并且将所有字符分别转换成小写或大写。注意，tolower()和toupper()返回新的字符串，不会修改原来的字符串。例子如下：

print tolower(mystring)

print toupper(mystring)

使用substr()可以从字符串中选择子串。以下是substr()的调用方法：

mysub=substr(mystring,startpos,maxlen)

以下是一个示例：

print substr(mystring,9,3)

match()与index()非常相似，它与index()的区别在于它并不搜索子串，它搜索的是正则表达式。match()函数将返回匹配的起始位置，如果没有找到匹配，则返回0。此外，match()还将设置两个变量，叫作RSTART和RLENGTH。RSTART包含返回值（第一个匹配的位置），RLENGTH指定它占据的字符跨度（如果没有找到匹配，则返回-1）。通过使用RSTART、RLENGTH、substr()和一个小循环，可以轻松地遍历字符串中的每个匹配。以下是一个match()调用示例：

print match(mystring,/you/), RSTART, RLENGTH

sub()和gsub()是两个字符串替换函数。sub()的调用方法如下：

sub(regexp,replstring,mystring)

调用sub()时，它将在mystring中匹配regexp的第一个字符序列，并且用replstring替换该序列。gsub()与sub()的唯一的区别是sub()替换第一个regexp匹配（如果有的话），gsub()则执行全局替换，换出字符串中的所有匹配。举例如下：

sub(/o/,"O",mystring)

print mystring

mystring="How are you doing today?"

gsub(/o/,"O",mystring)

print mystring

其输出结果如下：

HOw are you doing today?

HOw are yOu dOing tOday?

split()的功能是分割字符串，并将分割后的各部分放到使用整数下标的数组中。此函数有三个变量，第一个自变量为要分割的原始字符串，第二个自变量为分割后填入的数组名称，第三个变素为用于指示分割的分隔符。split()返回时，它将返回分割的字符串元素的数量。split()将分割的每一个部分赋值给下标从1开始的数组。举例如下：

numelements=split("Jan,Feb,Mar,Apr,May,Jun,Jul,Aug,Sep,Oct,Nov,Dec",mymonths,",")

print mymonths[1],mymonths[numelements]

其输出如下：

Jan Dec

最后需要说明一点的是，调用length()、sub()或gsub()时，可以去掉最后一个变量，这样awk将对$0（整个当前行）应用函数调用。例如要打印文件中每一行的长度，使用以下awk脚本：

{

    print length()

}