文本处理三剑客之 awk

GAWK：报告生成器，格式化文本输出

　　　　awk [options] ‘program’ var=value file…
　　　　awk [options] -f programfile var=value file…
　　　　awk [options] 'BEGIN{ action;… } pattern{ action;… } END{ action;… }' file ...

　　awk程序组成部分：

　　　　BEGIN语句块、能够使用模式匹配的通用语句块、END语句块

　　　　选项：

　　　　　　-F：指明输入时用到的字段分割符；
　　　　　　-v var=value：自定义变量
　　　　　　-f：指定awk脚本，从脚本中读取program

　　　　基本格式：

　　　　　　awk [options] 'program' file...

　　　　　　program：pattern{action statements;...}  通常在单引号或双引号中；
　　　　　　pattern与action：
　　　　　　　　pattern部分决定动作语句何时触发及事件
　　　　　　　　　　BEGIN：模式匹配之前要执行的动作

　　　　　　　　　　END：模式匹配结束之后要执行的动作

　　　　　　　　action statements对数据进行处理，放在{}内指明；
　　　　　　　　　　print  $0,$!.......$(NF-1)........$NF(最后一列)

　　　　分隔符,域,记录：

　　　　　　awk执行时，由分隔符分隔的字段(域)标记$1,$2...$n称为域标识。$0为所有域。
　　　　　　文件的每一行称为记录；
　　　　　　省略action，则默认执行print $0的操作；

awk的工作原理：

　　1)、执行BEGIN{action;...}语句块中的语句；
　　2)、从文件或标准输入(stdin)读取一行，然后执行pattern{action;...}语句块，它会逐行扫描文件，从第一行到最后一行重复这个过程，知道文件被全部读取完毕；
　　3)、当读至输入流末尾时，执行END{action;...}语句块

　　BEGIN语句块：在awk开始从输入流中读取行之前被执行，这是一个可选的语句块，比如变量初始化、打印输出表格的表头等语句通常 可以写在BEGIN语句块中。

　　END语句块：在awk从输入流中读取完所有的行之后即被执行，比如 打印所有行的分析结果这类信息汇总都是在END语句块中完成它也是一个可选语句块

　　pattern语句块中的通用命令是最重要的部分，也是可选的。如果 没有提供pattern语句块，则默认执行{ print }，即打印每一个读取到的行，awk读取的每一行都会执行该语句块

　　　　print格式：print item1,item2,...
　　　　　　1)、逗号为分隔符；
　　　　　　2)、输出的个item可以是字符串，也可以是当前记录的字段、变量或awk的表达式；
　　　　　　3)、如省略item，相当于print $0；

　　　　　awk '{print "hello,awk"}'
　　　　　awk –F: '{print}' /etc/passwd 　　　　　　　　# -F指定分割符为  ：冒号
　　　　　awk –F: '{print “wang”}' /etc/passwd 
　　　　

　　　　awk –F: '{print $1}' /etc/passwd 
　　　　awk –F: '{print $0}' /etc/passwd 
　　　　awk –F: '{print $1”	”$3}' /etc/passwd 
　　　　tail –3 /etc/fstab |awk '{print $2,$4}'

　　　　变量：

　　　　　　FS：输入字段分隔符，默认为空白字符；

　　　　　　awk -v FS=':' '{print $1,FS,$3}' file

　　　　　　

　　　　　　OFS：输出字段分隔符，默认为空白字符；指定输出时的分隔符是什么，一般可以进行分隔符号替换，类似下面的ORS的作用

　　　　　　awk -v FS=':' -v OFS=':' '{print $1,$2,$3}' file
　　　　　　

　　　　　　[root@mysql-141 ~]# awk -v FS=':' -v OFS='#' '{print $1,$2,$3}' /etc/passwd
　　　　　　root#x#0
　　　　　　bin#x#1
　　　　　　daemon#x#2
　　　　　　adm#x#3

　　　　　

　　　　　　RS：输入记录分隔符，指定输入时的换行符，原换行符仍有效；

　　　　　　awk -v RS=' ' '{print}' file

　　　　　　

　　　　　　ORS：输出记录分隔符，输出时用指定符号代替换行符；

　　　　　　awk -v RS=' ' -v ORS='$$$' '{print}' file

　　　　　　

　　　　　　NF：字段数量

　　　　　　awk -F: '{print NF}' file
　　　　　　awk -F: '{print $(NF-1)}' file
　　　　　　# 显示文件的第一列，第三列，倒数第二列和最后一列

　　　　　　　　[root@mysql-141 ~]# awk -F : '{print $1,$2,$(NF-1),$NF}' /etc/passwd
　　　　　　　　root x /root /bin/bash
　　　　　　　　bin x /bin /sbin/nologin
　　　　　　　　daemon x /sbin /sbin/nologin
　　　　　　　　adm x /var/adm /sbin/nologin

　　　　　　

　　　　　　NR：行号

　　　　　　awk -F: '{print NR,$1}' file   # 与FNR类似
　　　　　　awk END'{print NR}' file
　　　　　　

　　　　　　[root@mysql-141 ~]# awk END'{print NR}' /etc/passwd　　#将文件内容读取完成之后，统计行数
　　　　　　　26

　　　　　　awk 'NR==2,NR==6{print NR,$0}}' file　　#显示文件2-6行

　　　　　　

　　　　　　FNR：各文件的行号分别计数；

　　　　　　awk -F: '{print FNR,$1}' file1 file2...

　　　　　　[root@mysql-141 ~]# awk -F: '{print FNR,$1}' /etc/passwd
　　　　　　1 root
　　　　　　2 bin
　　　　　　3 daemon
　　　　　　4 adm
　　　　　　5 lp
　　　　　　6 sync
　　　　　　7 shutdown
　　　　　　8 halt

　　　　　　

　　　　　　FILENAME：当前文件名；文件内容有多少行，awk就会输出多少行

　　　　　awk '{print FILENAME}' FILE1 FILE2...

　　　　　　[root@mysql-141 ~]# awk '{print FILENAME}' /etc/passwd |wc -l
　　　　　　26
　　　　　　[root@mysql-141 ~]# wc -l /etc/passwd
　　　　　　26 /etc/passwd

　　　　　　

　　　　　　ARGV：数组，保存的是命令行所给定的各参数；

　　　　　　awk 'BEGIN {print ARGV[0]}' /etc/fstab /etc/inittab 
　　　　　　awk 'BEGIN {print ARGV[1]}' /etc/fstab /etc/inittab
　　　　　　

　　　　　　[root@mysql-141 ~]# awk 'BEGIN {print ARGV[1]}' /etc/fstab /etc/inittab　　　　　　# 相当于shell里面的$1 $2 $3 的概念
　　　　　　/etc/fstab
　　　　　　[root@mysql-141 ~]# awk 'BEGIN {print ARGV[2]}' /etc/fstab /etc/inittab
　　　　　　/etc/inittab
　　　　　　[root@mysql-141 ~]# awk 'BEGIN {print ARGV[0]}' /etc/fstab /etc/inittab
　　　　　　awk
　　　　　　[root@mysql-141 ~]# awk 'BEGIN {print ARGV[3]}' /etc/fstab /etc/inittab

　　　　算术操作符：
　　　　　　x+y x-y x*y x/y x^y x%y
　　　　　　-x：转换为负数；
　　　　　　+x：转换为数值，变量通过+连接运算，自动强制将字符串转为整形，非数字变成0，发现第一个非数字字符，后面的自动忽略；

字符串操作符：没有符号的操作符，字符串连接
　　　　赋值操作符：
　　　　　　

　　　　　　=    +=    -=     *=      /=      %=     ^=      ++      -- 

　　　　比较操作符：
　　　　　　

　　　　　　==   !=   >    >=    <    <=

　　　　模式匹配符：
　　　　　　~：左边的内容是否被右边的模式包含匹配

　　　　　　 !~：是否不匹配；

　　　　　[root@mysql-141 ~]# awk -F: '$0 ~ /root/{print $1}' /etc/passwd  　　# 以：为分隔符，匹配全部内容包含root的行，打印第一列

　　　　　　　root
　　　　　　　operator

　　　　　　[root@mysql-141 ~]# awk '$0 ~ "^root"' /etc/passwd 　　　　　　# 匹配所有内容，期初以root开头的行
　　　　　　　root:x:0:0:root:/root:/bin/bash　　

　　　　　　[root@mysql-141 ~]# awk -F: '$3==0' /etc/passwd　　　　　　　　# 匹配以冒号为分隔符，第三列是0的行
　　　　　　root:x:0:0:root:/root:/bin/bash

　

cat >>/tmp/reg.txt<<EOF
Zhang    Dandan        41117397    :250:100:175
Zhang    Xiaoyu        390320151    :155:90:201
Meng    Feixue        80042789    :250:60:50
Wu    Waiwai        70271111    :250:80:75
Liu    Bingbing    41117483    :250:100:175
Wang    Xiaoai        3515064655    :50:95:135
Zi    Gege        1986787350    :250:168:200
Li    Youjiu        918391635    :175:75:300
Lao    Nanhai        918391635    :250:100:175
EOF

　　　　操作符：

　　　　　　与&&

　　　　　　 或||

　　　　　　 非！

示例：

[root@mysql-141 ~]# awk -F : '$3>=0 && $3<=1000 {print $1}' /etc/passwd
root
bin
daemon
adm
lp

[root@mysql-141 ~]# awk -F : '$3==0 || $3>=1000 {print $1}' /etc/passwd
root

[root@mysql-141 ~]# awk -F : '!($3==0) {print $1}' /etc/passwd
bin
daemon
adm
lp

[root@mysql-141 ~]# awk -F : '!($3>=500) {print $3}' /etc/passwd
0
1
2
3
4
5
6

　　　　awk PATTERN：
　　　　　　1)、如果未指定：空模式，匹配每一行；
　　　　　　2)、/regular expression/：仅处理能够被模式匹配到的行，需要用//括起来；

awk '/^UUID/{print $1}' /etc/passwd
awk '!/^UUID/{print $1}' /etc/passwd

　　　　　　3)、relational expression：关系表达式，结果未"真"才会被处理；
　　　　　　　　真：结果为非0值，非空字符串；
　　　　　　　　假：结果为空字符串或0值；

awk -F : 'i=1;j=1{print i,j}' /etc/passwd 
awk '!0' /etc/passwd ; awk '!1' /etc/passwd 
awk –F : '$3>=1000{print $1,$3}' /etc/passwd 
awk -F : '$3<1000{print $1,$3}' /etc/passwd

[root@mysql-141 ~]# awk -F : '$NF=="/bin/bash"{print $1,$NF}' /etc/passwd
root /bin/bash
lipeng /bin/bash

[root@mysql-141 ~]# awk -F : '$NF ~ /nologin$/{print $1,$NF}' /etc/passwd
bin /sbin/nologin
daemon /sbin/nologin
adm /sbin/nologin
lp /sbin/nologin
mail /sbin/nologin
uucp /sbin/nologin

　　　　　　4)、line ranges：行范围：
　　　　　　　　startline,endine：/pat1/,/pat2/　不支持直接给出数字格式：

[root@mysql-141 ~]# awk -F: '/^root>/,/^nobody>/{print $1}' /etc/passwd 
root
bin
daemon
adm
lp
nobody
[root@mysql-141 ~]# awk -F: '(NR>=10&&NR<=20){print NR,$1}' /etc/passwd
10 uucp
11 operator
12 games
13 gopher
14 ftp

　　awk数组概念:

预备知识: 了解两种awk运算方法
　　　　1) 累加运算 1+1+1
　　　　　　i=i+1 i初始状态为0
　　　　　　i++
　　　　　　eg: 统计/etc/services文件中空行数量

　　　　　　第一个里程: 找出文件中空行信息
　　　　　　awk '/^$/' /etc/services

　　　　　　第二个里程: 统计空行数量
　　　　　　awk '/^$/{i=i+1;print i}' /etc/services

PS: awk中所有字符串信息都会识别为变量名称信息, 调取变量是不需要加上$符号
awk中想显示指定字符串信息, 需要在字符串外面加上双引号信息

[root@oldgirl ~]# awk '/^$/{i=i+1;print i}' /etc/services
1        #  i=i+1 i=0 i=0+1 --> i=1 
2 　　　　#  i=i+1 i=1 i=1+1 --> i=2
3 　　　　#  i=2 i=2+1 --> i=3
4
5
6
7
8
9
10
11
12
13
14
15
16


[root@oldgirl ~]# awk '/^$/{i=i+1}END{print i}' /etc/services　　# 将文件内容加载完之后，做出统计
16

　　　　2) 求和运算 10+20+5
　　　　　　　i=i+$n i的初始状态为0   $n取第几列数值信息

[root@oldgirl ~]# seq 10|awk '{i=i+$0;print i}'
1 i=i+$0 i=0 $0=1 i=0+1 -- 1 1 
2 i=i+$0 i=1 $0=2 i=1+2 -- 3 3 
3 i=i+$0 i=3 $0=3 i=3+3 -- 6 6
4 10
5 15
6 21
7 28
8 36
9 45
10 55

　　[root@mysql-141 ~]# seq 10|awk '{i=i+$0;print i}'
　　　　1
　　　　3
　　　　6
　　　　10
　　　　15
　　　　21
　　　　28
　　　　36
　　　　45
　　　　55

　　　　3). 数组的表现形式 　　　　　　

　　　　　　　　数组中的括号里面的内容

　　　　　　　　hotel[元素01]=xiaolizi1  --- 调用print xiaolizi1[元素01]--- xiaolizi1
　　　　　　　　hotel[元素02]=xiaolizi2 --- 调用print xiaolizi2[元素02]--- xiaolizi2

　　　　　　数组统计命令组成说明:
　　　　　　1) 找出要统计的信息
　　　　　　　　$1

　　　　　　2) 把指定要统计信息作为数组的元素
　　　　　　　　h[$1]

　　　　　　3) 利用统计运算公式,进行运算
　　　　　　　　h[$1]=h[$1]+1 --- i=i+1

　　　　　　4) 显示运算的结果信息
　　　　　　　　a 只看某一个元素的结果信息

　　　　　awk '{h[$1]=h[$1]+1}END{print h["101.226.61.184"]}' access.log 
　　　　　5

　　　　　　　　b 要看全部元素的结果信息
　　　　　　　　　

　　　　　awk '{h[$1]=h[$1]+1}END{print h["101.226.61.184"],h["114.94.29.165"]}' access.log 
　　　　　　
# 精简后命令
　　　　　　awk '{h[$1]++}END{for(name in h)print name,h[name]}' access.log 

　　　　for name in 101.226.61.184 114.94.29.165
　　　　　　print h[$name]

　　　　　　==>
　　　　for(name in h) --- > echo name=h=第一个元素信息
　　　　echo name=h=第二个元素信息

说明: 循环中读取数组名称==读取每一个元素名称信息

cat >>url.txt<<EOF
http://www.etiantian.org/index.html
http://www.etiantian.org/1.html
http://post.etiantian.org/index.html
http://mp3.etiantian.org/index.html
http://www.etiantian.org/3.html
http://post.etiantian.org/2.html
EOF
awk '{h[$1]++}END{for(name in h)print name,h[name]}' access.log 

　　

[root@mysql-141 ~]# awk '{h[$1]++}END{for(name in h)print name,h[name]}' access.log
101.226.61.184 5
27.154.190.158 2
218.79.64.76 2
114.94.29.165 1

第一步: 定义数组信息
awk '{h[$1]}' access.log 
说明: 数组中的元素就是你关注要统计的列的信息

第二步: 进行统计运算,编写公式
awk '{h[$1]=h[$1]+1}' access.log 

第三步: 编写元素循环信息
awk '{h[$1]=h[$1]+1}END{for(name in h)}' access.log

第四步: 输出结果信息    
awk '{h[$1]=h[$1]+1}END{for(name in h) print name,h[name]}' access.log 

 将文本内容格式化输出

　　原文如下：

job_name    job_group
syncCommStockJob    dataSync
syncStoreChnlJob    dataSync
syncOrderJob    dataSync
syncReportStoreJob    dataSync
hdfsScanJob    report
orderSaleDailyJob    report
jdzmdOrdersJob    report
jdCanJob    report

　　使用awk格式化输出后

cat xxx.txt | awk '{printf "%-30s%-15s
",$1,$2}'               
　　　　　　#%-30s表示输出字符串,宽度30位(字符串如果过长，可以自己调整),左对齐.%-15s用来指定第二列的,左对齐,宽度15.两个百分号之间可以没有空格.使用
对每一行的输出加上换行符


job_name                      job_group      
syncCommStockJob              dataSync       
syncStoreChnlJob              dataSync       
syncOrderJob                  dataSync       
syncReportStoreJob            dataSync       
hdfsScanJob                   report