awk的高级技巧

		未显示需要 JavaScript 的文档选项

2009 年 3 月 19 日

Awk 是一种优秀的文本样式扫描和处理工具。本文侧重介绍了 awk 在数值计算方面的运用，并通过几个实际工作中的例子，阐述了如何利用 awk 的计算功能来提高我们的工作效率。

Awk 是一种优秀的文本样式扫描和处理工具。 Awk 与 sed 和 grep 有些相似， 但功能比后者强不少。 awk 提供的功能包括样式载入， 流控制，数学运算符，进程控制以及许多内置的变量和函数等。 借助于这些功能， 我们可以很方便地利用 awk 对各种文件 （如试验产生的数据文件，数据库文件等） 进行处理。 本文介绍了 awk 在数值计算方面的运用， 并通过几个实际的例子， 阐述了如何利用 awk 的计算功能来提高我们的工作效率。

Awk 支持不少常见的运算符， 如 + （加），- （减）， * （乘）， / （除）， ^ 或 ** （乘方）， % （取模） 等等。 此外， awk 也提供了一些常用的数学函数, 比如 sin(x), cos(x), exp(x), log(x), sqrt(x), rand()。 使用这些运算符和函数可以直接进行一些简单的运算：

上面的计算也可以用一个脚本文件 calc.awk 来完成：

执行 awk -f calc.awk 19 7 可以得到和清单 1 中一样的计算结果。 这里选项 -f 允许 awk 调用并执行程序文件 calc.awk； 最后的 19 和 7 是输入， 分别对应于文件中的 $1 和 $2。

回页首

现在我们利用 awk 来完成一些稍微复杂的计算。 我们首先用 awk 来计算 Fibonacci 数列，相应的 awk 程序 Fib.awk 见清单3：

function fibo(n) {
  if(n<=1) return 1;
  return (fibo(n-2) + fibo(n-1));
 }
 BEGIN {
   n = (ARGV[1] < 1) ? 1 : ARGV[1];
   printf("%d\n", fibo(n));
   exit;
 }

计算时使用命令 awk -f Fib.awk n。 这里的输入 n 是整数。 另外只要把上面程序中的函数fibo(n) 稍微改一下， 就可以用来进行阶乘的运算， 修改后的代码如下：

function factorial(n) {
  if(n<=1) return 1;
  return (n*factorial(n-1));
 }
BEGIN {
   n = (ARGV[1] < 1) ? 1 : ARGV[1];
   printf("%d\n", factorial(n));
   exit;
 }

我们再来看一个求平方根的例子。 尽管 awk 提供了计算平方根的函数， 但我们也可以通过自己写程序来实现， 相应的算法如清单 5 所示； 清单 6 则给出了一个具体的例子： 求数字 3.7 的平方根：

清单 5. 求平方根的算法

BEGIN {
   a = 3.7; 
  x = a; 

while((x**2-a)**2 > 1e-12) {
 x = (x + a/x)/2;
}

   print x
 }

回页首

如果仅仅从事单纯的数值计算， 恐怕 awk 不是我们最好的选择， 毕竟 awk 是为了方便文本处理而设计的。 不过如果数值计算和文本有密切关系的话， 比方说计算之前要先处理文本中的数据 （如查找，提取数据）， 这时 awk 的优势就会充分显示出来。 而这样的情况在工作中往往是经常碰到的。 我们来看一个实际的例子。 假定我们要比较某些运行在 Linux 集群上的并行程序的效率， 一个可行的方法是估算这些程序运行所需的时间。 这些程序运行的时间通常比较长， 可以从 10 几个小时到一个多星期。 注意到程序在运行中会不断地生成数据文件， 而 Linux 系统会纪录下每个数据文件被创建 （如果以前不存在） 或修改（如果以前存在） 的时间， 这样就可以通过计算两个文件的时间差来估计并行程序的效率。 我们知道 Linux 提供的 stat 命令可以用来获取某个文件的各种属性， 比如对数据文件 simu_space_1.dat 使用命令 stat simu_space_1.dat 会有如下的输出：

File:  "simu_space_1.dat"  
 Size: 237928    	Blocks: 480        IO Block: 4096   regular Datei
Device: 801h/2049d	Inode: 2768915     Links: 1
Access: (0644/-rw-r--r--)  Uid: ( 1000/     nst)   Gid: ( 1000/     nst)
Access: 2008-11-14 10:56:05.000000000 +0100
Modify: 2008-11-13 23:26:44.000000000 +0100
Change: 2008-11-13 23:26:44.000000000 +0100

以上输出包含了关键字 ’Modify’ 的一行中纪录下了文件被修改的时间。 所以原则上说只要对两个文件分别使用 stat 命令， 得到它们的修改时间， 就可以计算出它们之间的时间差。 如果计算的次数很少的话， 这个工作当然可以手工完成。 不过要频繁计算的话就很费时间了， 而且出错的几率也会变大。 这种情况下我们可以求助 awk， 让它来自动完成这个计算工作， 为此我们创建了下面的脚本 time_df.awk：

BEGIN {
  n = 0;
  d1 = 0;
  s1 = 0;
  FS = ":|-| *";
}

{
 for(i=1; i<=NF; i++)
 {
   if($i~/Modify/)
   {
    n = n + 1;
    d = $(i+4);
    h = $(i+5);
    m = $(i+6);
    s = $(i+7);
    d1 = d1 + ((-1)**n)*d*24*3600;
    s1 = s1 + ((-1)**n)*(3600*h + 60*m + s);
   }  
 }
}

END {
  s1 = s1 + d1;
  D = int(s1/(24*3600));
  H = int((s1 - D*24*3600)/3600);
  M = int((s1-D*24*3600-H*3600)/60);
  S = s1 % 60;
  printf("The total time required %d days, %d hours,   \
  %d minutes and %d seconds\n", D, H, M, S) ;
}

上面的代码是基于如下的考虑： 首先使用 awk 找到包含 ’Modify’ 关键字的那一行， 然后把其中有关日期和时间的数据提取出来。 由于直接对日期和时间做减法不是很方便， 所以先把日期和时间转化为一个以秒为单位的数字 （从每个月的第一天0时0分0秒算起）。 容易理解， 由两个数字相减得到的时间差也是以秒为单位的。 为了能直观显示， 输出时再把这个时间差表达为天， 小时， 分钟和秒。 要计算两个文件 simu_space_1.dat 和 simu_space_100.dat 之间的时间差，可以用下面的命令：

stat simu_space_1.dat simu_space_100.dat | awk -f time_df.awk

先生成的文件 simu_space_1.dat （也就是时间较早一些的） 放在前面，后生成的文件simu_space_100.dat 放在后面。 如果要算另外两个文件之间的时间差, 只要换一下文件名就可以了。 借助于上面的 awk 代码我们可以快速且精确地得到任意两个数据文件的时间间隔。 需要指出的是， 上面的程序没有考虑跨月度这种情况。 也就是说， 如果第一个数据文件是在某个月的月末生成， 而第二个文件是在下个月的月初生成， 这时就不能用它来计算， 因为得到的时间是没有意义的负数。

回页首

这个例子是通过计算不同位置处的流体的通量来验证它们是否相同。 这里的通量可视为某个截面上通过的颗粒浓度， 流体的速度和截面面积的乘积。 现在的问题是浓度， 速度等参数分布在不同的数据文件中， 而这些文件是字符和数据共存的， 比如包含浓度的文件 simu_space_1.dat 有如下的格式：

清单 10. 数据文件 simu_space_1.dat 的格式

{0.436737, 0.429223, 3.000000, 1.000000, 43300806482080792.000000, 243231808.137785},

{1.296425, 0.429223, 3.000000, 1.000000, 107468809895964656.000000, 584622938.047805},

{2.128973, 0.429223, 3.000000, 1.000000, 102324821165926400.000000, 539067822.351442},

......

{19.358569, 4.875000, 3.000000, 1.000000, 257544788738191712.000000, 1460324590.999991},

{19.620925, 4.875000, 3.000000, 1.000000, 266676357086157504.000000, 1464352706.940682},

{19.875000, 4.875000, 3.000000, 1.000000, 260249342336872224.000000, 1383971975.659338},

第一步当然是从上面的文件中把某个位置上的浓度数据 （每一行左起第五个数字） 提取出来。 下面的 awk 代码是把位置 x = 0.429223 处的浓度提取出来， 并保存到一个临时文件 number.txt 中：

awk  -F'{|,\t|},' '{for(i=1; isimu_space_1.dat > number.txt

现在文件 number.txt 中有了一列浓度数据。 接着我们从其他文件中提取在同一位置处的速度和面积的数据， 然后把它们分别保存到临时文件 velocity.txt 和 area.txt 中。 然后把三个临时文件中的数据合并到另一个文件 flux.txt 中以方便 awk 的计算。 这个合并操作可以用工具 paste 来轻松完成， 代码如清单 12：

paste number.txt velocity.txt area.txt > flux.txt

现在 flux.txt 中包含了三列数据， 分别是浓度，速度和面积。 按照前面介绍的通量计算方法, 文件 flux.txt 中每一行的三个数据要首先相乘， 然后再把所有的乘积加起来就可以得到通过那个截面的通量了， 具体的代码见清单13：

awk '{x=x+($1*$2*$3)} END {print x}' flux.txt

上面的代码使用了一个变量 x， 第一次执行时， x 被赋予文件 flux.txt 中第一行三个数据的乘积。 第二次执行时， 它保留了第一次计算的值并加上第二行三个数据的乘积， 以此类推， 直到达到累计的总合。 END 的作用是只显示最后的结果， 而不显示中间的累加结果。 我们可以做一个比较， 以前我们是利用其他的软件 （比如 Excel 或者 OpenOffice Calc） 来计算通量的。 这必然要涉及到导入数据， 选择相应的计算函数等一系列的操作， 而用 awk 只要一行代码！ 如果再考虑到计算之前从不同文件中提取数据的工作也是由 awk 完成的 （其实也就是几行代码）， 所以对本例而言使用 awk 节约了可观的时间。

回页首

不应忽视 awk 的数值计算功能， 它能完成从简单到比较复杂的数值运算。 尤其当计算过程中涉及到数据文件的处理， 这时使用 awk 往往会很方便。 因为 awk 本身有很强的文本处理功能， 它可以轻松地把数据从文本中分离出来， 然后再进行相应的计算。 本文的实例说明了如果能灵活地使用 awk 的这些功能， 有可能会显著地提升我们的工作效率。

• Gawk-GNU Project-Free Software Foundation
  
  
• TGNU Awk 用户指南：
  
  
• http://www.ibm.com/developerworks/cn/linux/shell/awk/awk-1/index.html
  
  
• 通用线程： awk 实例， 第2部分 http://www.ibm.com/developerworks/cn/linux/shell/awk/awk-2/index.html
  
  
• 通用线程： awk 实例， 第3部分 http://www.ibm.com/developerworks/cn/linux/shell/awk/awk-3/index.html
  
  
• 一些很有用的 awk 源码
  
  
• 一些很有用的 awk 源码