awk数组的学习

参考：http://bbs.chinaunix.net/thread-2312439-1-1.html

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

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

复制代码

<2>读取数组值

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

复制代码

<3>多维数组，array[index1,index2,……]：SUBSEP是数组下标分割符，默认为“34”。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：

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

复制代码

但，有些特殊情况需要避免，如：

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

复制代码

<4>删除数组或数组元素： 使用delete 函数

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

复制代码

<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，即asorti(array)以后，仍会用数字（1到数组长度）来作为下标，但是array的数组值变为排序后的原来的下标，除非你指定另一个参数如:asorti(a,b)。（非常感谢lionfun对asorti的指正和补充）

2. echo 'aa
3. bb
4. aa
5. bb
6. cc' |
7. awk '{a[$0]++}END{l=asorti(a);for(i=1;i<=l;i++)print a[i]}'
8. aa
9. bb
10. cc
12. echo 'aa
13. bb
14. aa
15. bb
16. cc' |
17. awk '{a[$0]++}END{l=asorti(a,b);for(i=1;i<=l;i++)print b[i],a[b[i]]}'
18. aa 2
19. bb 2
20. cc 1

复制代码

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：

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

复制代码

另一种：http://bbs.chinaunix.net/thread-1859344-1-1.html

2. 计算总数（sum），如：

2. awk  '{name[$0]+=$1};END{for(i in name) print  i, name[i]}'
4. 再举个例子：
6. echo "aaa 1
7. aaa 1
8. ccc 1
9. aaa 1
10. bbb 1
11. ccc 1" |awk '{a[$1]+=$2}END{for(i in a) print i,a[i]}'
12. aaa 3
13. bbb 1
14. ccc 2

复制代码

3. 查看文件差异。

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

复制代码

<1>  合并file1和file2，除去重复项：

2. 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
3. NR>FNR{                   #读取file2
4. 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。
5. }' file1 file2
6. aaa
7. bbb
8. ccc
9. ddd
10. eee
11. fff

复制代码

<2> 提取文件1中有，但文件2中没有：

2. awk 'NR==FNR{a[$0]=1}           #读取file2，建立数组a，下标为$0，并赋值为1
3. NR>FNR{                   #读取file1
4. 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。
5. }' file2 file1
6. bbb
7. ccc

复制代码

另：http://bbs.chinaunix.net/viewthr ... &page=1#pid15547885

4.  排序：

2. echo "a
3. 1
4. 0
5. b
6. 2
7. 10
8. 8
9. 100" |
10. awk '{a[$0]=$0} #建立数组a，下标为$0，赋值也为$0
11. END{
12. 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
13. for(i=1;i<=len;i++) print i " "a[i]  #打印
14. }'
15. 1       0
16. 2       1
17. 3       2
18. 4       8
19. 5       10
20. 6       100
21. 7       a
22. 8       b

复制代码

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：http://bbs2.chinaunix.net/viewthread.php?tid=1811279

2. awk '{a[$1]=$2
3. c[j++]=$1}
4. END{
5. for(m=0;m<j;m++)print c[m],a[c[m]]
6. }'

复制代码

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>：

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

复制代码

要求输出：

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

复制代码

实现代码如下：

2. 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。
3.        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。
4.         }
5. END{
6.         for(i in b) {
7.                 printf i" "
8.                 for(j=1;j<=ARGIND;j++) printf "%s ", a[j" "i]?a[j" "i]:"-" #此时的ARGIND值为3.
9. print ""
10.                 }
11.         }' file1 file2 file3

复制代码

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：http://bbs.chinaunix.net/viewthr ... 0335&from=favorites。
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：

2. 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

复制代码

<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：

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

复制代码

实现代码如下：

2. awk '{a[ARGIND" "$1]=$2
3. b[$1]
4. }
5. END{
6. for(i in b) {
7. printf i" "
8. 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。
9. print ""
10. }
11. }' FS="|" file1 FS="#" file2 FS="@" file3 # 对每个文件分别设置FS的值。

复制代码

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：

2. 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

复制代码

利用FILENAME 同样可以解决问题：

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

复制代码

推荐一个关于数组处理文件的帖子http://www.chinaunix.net/jh/24/577044.html ，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>：

2. Inputfile
3. 1 2 3 4 5 6
4. 2 3 4 5 6 1
5. 3 4 5 6 1 2
6. 4 5 6 1 2 3
7. Outputfile
8. 4 3 2 1
9. 5 4 3 2
10. 6 5 4 3
11. 1 6 5 4
12. 2 1 6 5
13. 3 2 1 6
15. awk '{
16.      if (max_nf < NF)
17.           max_nf = NF # 数组第一维的长度
18.      max_nr = NR      # 数组第二维的长度
19.      for (x = 1; x <= NF; x++)
20.           vector[x, NR] = $x #建立数组vector
21. }
22. END {
23.      for (x = 1; x <= max_nf; x++) {
24.           for (y = max_nr; y >= 1; --y)
25.                printf("%s ", vector[x, y])
26.           printf(" ")
27.      }
28. }'

复制代码

<例2>：来自http://bbs.chinaunix.net/viewthr ... &page=1#pid13339226
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。

2. cat a.txt
3. a b c d
4. 1 2 9 7
5. 4 5 8 9
6. 5 3 6 1
7. cat b.txt
8. a e f d g
9. 9 2 4 7 3
10. 4 3 7 9 4
11. cat c.txt
12. a b c d e f g
13. 1 2 9 7 0 0 0
14. 4 5 8 9 0 0 0
15. 5 3 6 1 0 0 0
16. 9 0 0 7 2 4 3
17. 4 0 0 9 3 7 4

复制代码

下面我们来参看并解读下Tim大师的代码：

2. awk '
3. FNR==1{    #FNR==1，即a和b文本的第一行，这个用的真的很巧妙。
4.         for(i=1;i<=NF;i++){
5.                 b[i]=$i    #读取文本的每个元素存入数组b
6.                 c[$i]++}  #另建立数组c，并统计每个元素的个数
7.                 next          #可以理解为，读取FNR!=1的文本内容。
8.         }
9. {k++                                     # 统计除去第一行的文本行数
10. 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。
11. }
12. END{
13.         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)
14.         for(i=1;i<=l;i++)printf c[i]" " # 先打印第一行，相当于headline。
15.         print ""
16.         for(i=1;i<=k;i++){
17.                 for(j=1;j<=l;j++)printf a[i","c[j]]?a[i","c[j]]" ":"0 " # 打印二维数组的值。
18.                 print ""}
19.         }' a.txt b.txt

复制代码

8.  选择性打印：
打印某个关键字前几行，以3行为例：

2. seq 20 |awk '/<10>/{for(i=NR-3;i<NR;i++)print a[i%3];exit}{a[NR%3]=$0}'
3. 7
4. 8
5. 9

复制代码

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。

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

复制代码

10． awk数组使用的小技巧和需要避免的用法：

<1> 嵌套数组：

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

复制代码

<2> 下标设为变量或函数：

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

复制代码

<3> 不可以将数组名作为变量使用，否则会报错：

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

复制代码

<4> 数组的长度：

2. length(array)  

复制代码

<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）

2. echo "foooobazbarrrrr |
3. 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
4.           print arr[1], arr[2]
5.           print arr[1, "start"], arr[1, "length"]  #二维数组arr[index,＂start＂]值=RSTART
6.           print arr[2, "start"], arr[2, "length"]  #二维数组arr[index,＂length＂]值=RLENGTH
7.           }'
8. foooo barrrrr
9. 1 5
10. 9 7

复制代码

<6>想到过用split清空数组么?

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

复制代码