Linux文本处理三剑客之gawk

gawk程序是Unix中原始awk程序的GNU版本。gawk程序让流编辑器迈上了一个新的台阶，它提供了一种编程语言而不只是编辑器命令。在gawk编程语言中，可以完成下面的事情：
（1）定义变量来保存数据；
（2）使用算数和字符串操作符来处理数据；
（3）使用结构化编程概念（比如if-then语句和循环）来为数据处理增加处理逻辑；
（4）通过提取数据文件中的数据元素，将其重新排列或格式化，生成格式化报表；
gawk程序的报告生成能力通常用来从大文本文件中提取数据元素，并将它们格式化成可读的报告。其中完美的例子是格式化日志文件。在日志文件中找出错误行会很难，gawk程序可以让你从日志文件中过滤出需要的数据元素，然后你可以将其格式化，使得重要的数据易于阅读。

1 gawk命令格式

gawk option program file
    选项：     描述
    -F fs           指定行中划分数据字段的字段分隔符
    -f file         从指定的文件中读取程序
    -v var=value        定义gawk程序中的一个变量及其默认值
    -mf N           指定要处理的数据文件中的最大字段数
    -mr N           指定数据文件中的最大数据行数
    -W  keyword     指定gawk的兼容模式或警告等级

命令行选项提供了一个简单的途径来定制gawk程序中的功能。
gawk的强大之处在于程序脚本，可以写脚本来读取文本行的数据，然后处理并显示数据，创建任何类型的输出报告。

2 从命令行读取程序脚本

（1）gawk程序及脚本用一对花括号来定义。你必须将命令放到两个花括号“{}”中。如果你错误的使用了圆括号来包含gawk脚本，就会出错。
（2）由于gawk命令行假定脚本是单个文本字符串，你还必须将脚本放到单引号中。
例如：

        [root@CentOS7 ~]# gawk '{print "Hello World!"}'

运行这个命令，你可能会有些失望，因为什么都不会发生。原因在于没有在命令行上指定文件名，所有gawk程序会从STDIN接受数据。在运行这个程序时，它会一直等待从STDIN输入的文本。
如果你输入一行文本并按下回车键，gawk会对这行文本运行一遍程序脚本。跟sed编辑器一样，gawk程序会针对数据流中的每一行文本执行程序。由于程序脚本被设为显示一行固定的文本字符串，因此不管你在数据流中输入什么文本，都会得到同样的文本输出。

[root@centos7 ~]# gawk '{print "Hello World!"}'
Thie is a error test
Hello World!
Hello World!
Hello World!

要终止这个程序，你必须标明数据流已经结束了。bash shell提供了一个组合键俩生成EOF（End –of-File）字符。Ctrl + D 组合键会字bash中产生一个EOF字符。这个组合键能够终止该gawk程序并返回到命令行界面提示符下。

3 使用数据字段变量

gawk的主要特征之一是其处理文本文件中数据的能力。它会自动给一行的每个数据元素分配一个变量。默认情况下，gawk会将如下变量分配给它在文本中发现的数据字段：

$0  代表整个文本行
$1  代表文本行的第一个数据段
$n  代表文本行的第n个数据段

在文本行中，每个数据段都是通过字段分隔符划分的。gawk在读取一行文本时，会用预定义的字段分隔符划分每个字段。gawk中默认的字段分隔符是任意的空白字符（例如空格或者制表符）。
例如，用-F指定字段分隔符。显示系统密码文件的第一个数据字段。由于/etc/passwd用冒号来分隔数据字段，因而可以将冒号指定为字段分隔符。

[root@centos7 ~]# gawk -F : '{print $1}' /etc/passwd
root
bin
daemon
adm
lp
sync
shutdown
halt
mail
operator
[……]

4 在程序脚本中使用多个命令

gawk编程语言允许将多条命令组合成一个正常程序。要在命令行上的程序脚本中使用多条命令，只要在命令之间放个分号即可。
例如

[root@centos7 ~]# echo "My name is centos"|gawk '{$4="hahaha";print $0}'
My name is hahaha

第一条命令会给$4赋值。第二条命令会打印整个数据字段。注意，gawk程序在输出中已经将原文本中的第四个数据字段替换了新值。

5 从文本中读取程序

跟sed编辑器一样，gawk编辑器允许将程序存储到文件中，然后再在命令行中引用。

[root@centos7 ~]# cat script2.gawk 
{print $1 "'s' home directory is " $6}
[root@centos7 ~]# gawk -F: -f script2.gawk  /etc/passwd
root's' home directory is /root
bin's' home directory is /bin
daemon's' home directory is /sbin
adm's' home directory is /var/adm
lp's' home directory is /var/spool/lpd
sync's' home directory is /sbin
shutdown's' home directory is /sbin
halt's' home directory is /sbin
mail's' home directory is /var/spool/mail
[……]

script2.gawk程序脚本会再次使用print命令打印/etc/passwd文件中的主目录数据字段（字段变量$6），以及userID数据字段（字段变量$1）。
可以在程序文件中指定多条命令。要这么做的话，只有一天命令放一行即可，不需要使用分号。

[root@centos7 ~]# cat script3.gawk 
{
text = "'s home directory is "
print $1 text $6
}

[root@centos7 ~]# gawk -F: -f script3.gawk /etc/passwd
root's home directory is /root
bin's home directory is /bin
daemon's home directory is /sbin
adm's home directory is /var/adm
lp's home directory is /var/spool/lpd
sync's home directory is /sbin
shutdown's home directory is /sbin
[……]

script3.gawk程序脚本定义了一个变量来保存print命令中用到的文本字符串。
注意：gawk程序在引用变量值时并未像shell脚本一样使用美元符。

6 在处理数据前运行脚本

gawk还允许指定程序脚本何时运行。默认情况下，gawk会从输入中读取一行文本，然后针对该行的数据执行程序脚本。有时可能会需要在处理数据前运行脚本，比如报告创建标题。BEGIN关键字就是用来做这个的。它会强制gawk在读取数据前执行BEGIN关键字后指定的程序脚本。

[root@centos7 ~]# cat data3.txt 
Line 1
Line 2
Line 3
[root@centos7 ~]# gawk 'BEGIN{print "The data3 File contents:"}{print $0}' data3.txt The data3 File contents:
Line 1
Line 2
Line 3

在gawk执行了BEGIN脚本后，它会用第二段脚本来处理文件数据。这么做是要小心，两段脚本仍然被认为是gawk命令行中的一个文本字符串。你需要相应的加上单引号。

7 在处理数据后运行脚本

与BEGIN关键字类似，END关键字允许你指定一个程序脚本，gawk会在读完数据后执行它。

[root@centos7 ~]# gawk '{print $0} END{print "End of file"}' data3.txt 
Line 1
Line 2
Line 3
End of file

当gawk程序打印完文件内容后，会执行END脚本中的命令。这是在处理完所有正常数据后给报告添加页脚的最佳方法。

本文永久更新链接地址：http://www.linuxidc.com/Linux/2017-07/145880.htm