Linux工具篇文本分析工具awk

38次阅读

共计 5921 个字符,预计需要花费 15 分钟才能阅读完成。

简介

awk 是一个强大的文本分析工具,相对于 grep 的查找,sed 的编辑,awk 在其对数据分析并生成报告时,显得尤为强大。简单来说 awk 就是把文件逐行的读入,以空格为默认分隔符将每行切片,切开的部分再进行各种分析处理。

awk 有 3 个不同版本: awk、nawk 和 gawk,未作特别说明,一般指 gawk,gawk 是 AWK 的 GNU 版本。

awk 其名称得自于它的创始人 Alfred Aho、Peter Weinberger 和 Brian Kernighan 姓氏的首个字母。实际上 AWK 的确拥有自己的语言:AWK 程序设计语言,三位创建者已将它正式定义为“样式扫描和处理语言”。它允许您创建简短的程序,这些程序读取输入文件、为数据排序、处理数据、对输入执行计算以及生成报表,还有无数其他的功能。

使用方法

awk '{pattern + action}' {filenames}

尽管操作可能会很复杂,但语法总是这样,其中 pattern 表示 AWK 在数据中查找的内容,而 action 是在找到匹配内容时所执行的一系列命令。花括号({})不需要在程序中始终出现,但它们用于根据特定的模式对一系列指令进行分组。pattern 就是要表示的正则表达式,用斜杠括起来。

awk 语言的最基本功能是在文件或者字符串中基于指定规则浏览和抽取信息,awk 抽取信息后,才能进行其他文本操作。完整的 awk 脚本通常用来格式化文本文件中的信息。

通常,awk 是以文件的一行为处理单位的。awk 每接收文件的一行,然后执行相应的命令,来处理文本。

调用 awk 的方式

1. 命令行方式

awk [-F  field-separator]  'commands'  input-file(s)

其中,commands 是真正 awk 命令,[- F 域分隔符]是可选的。input-file(s) 是待处理的文件。
在 awk 中,文件的每一行中,由域分隔符分开的每一项称为一个域。通常,在不指名 - F 域分隔符的情况下,默认的域分隔符是空格。

2.shell 脚本方式

将所有的 awk 命令插入一个文件,并使 awk 程序可执行,然后 awk 命令解释器作为脚本的首行,一遍通过键入脚本名称来调用。
相当于 shell 脚本首行的:#!/bin/sh
可以换成:#!/bin/awk

3. 将所有的 awk 命令插入一个单独文件,然后调用:

awk -f awk-script-file input-file(s)

其中,- f 选项加载 awk-script-file 中的 awk 脚本,input-file(s)跟上面的是一样的。

入门实例

假设 last -n 5 的输出如下

[root@www ~]# last -n 5 # 仅取出前五行
root     pts/1   192.168.1.100  Tue Feb 10 11:21   still logged in
root     pts/1   192.168.1.100  Tue Feb 10 00:46 - 02:28  (01:41)
root     pts/1   192.168.1.100  Mon Feb  9 11:41 - 18:30  (06:48)
dmtsai   pts/1   192.168.1.100  Mon Feb  9 11:41 - 11:41  (00:00)
root     tty1                   Fri Sep  5 14:09 - 14:10  (00:01)

如果只是显示最近登录的 5 个帐号

#last -n 5 | awk  '{print $1}'
root
root
root
dmtsai
root

awk 工作流程是这样的:读入有 ’n’ 换行符分割的一条记录,然后将记录按指定的域分隔符划分域,填充域,$0 则表示所有域,$1 表示第一个域,$n 表示第 n 个域。默认域分隔符是 ” 空白键 ” 或 “[tab]键 ”, 所以 $1 表示登录用户,$3 表示登录用户 ip, 以此类推。

如果只是显示 /etc/passwd 的账户

#cat /etc/passwd |awk  -F ':' '{print $1}'  
root
daemon
bin
sys

如果只是显示 /etc/passwd 的账户和账户对应的 shell, 而账户与 shell 之间以 tab 键分割

#cat /etc/passwd |awk  -F ':'  '{print $1"\t"$7}'
root    /bin/bash
daemon  /bin/sh
bin     /bin/sh
sys     /bin/sh

如果只是显示 /etc/passwd 的账户和账户对应的 shell, 而账户与 shell 之间以逗号分割, 而且在所有行添加列名 name,shell, 在最后一行添加 ”blue,/bin/nosh”。

cat /etc/passwd |awk  -F ':'  'BEGIN {print"name,shell"}  {print $1","$7} END {print"blue,/bin/nosh"}'
name,shell
root,/bin/bash
daemon,/bin/sh
bin,/bin/sh
sys,/bin/sh
....
blue,/bin/nosh

awk 工作流程是这样的:先执行 BEGING,然后读取文件,读入有 / n 换行符分割的一条记录,然后将记录按指定的域分隔符划分域,填充域,$0 则表示所有域,$1 表示第一个域,$n 表示第 n 个域, 随后开始执行模式所对应的动作 action。接着开始读入第二条记录······直到所有的记录都读完,最后执行 END 操作。

搜索 /etc/passwd 有 root 关键字的所有行

#awk -F: '/root/' /etc/passwd
root:x:0:0:root:/root:/bin/bash

这种是 pattern 的使用示例,匹配了 pattern(这里是 root)的行才会执行 action(没有指定 action,默认输出每行的内容)。
搜索支持正则,例如找 root 开头的:awk -F: '/^root/' /etc/passwd

搜索 /etc/passwd 有 root 关键字的所有行,并显示对应的 shell

# awk -F: '/root/{print $7}' /etc/passwd             
/bin/bash

这里指定了 action{print $7}

awk 'length($0)>80 {print NR}' myfile  # 该命令行将显示文本 myfile 中所有超过 80 个字符的行号,在这里,用 $0 表示整个记录(行),同时,内置变量 NR 不使用标志符 '$'。# 假设要对 UNIX 中的用户进行安全性检查,方法是考察 /etc 下的 passwd 文件,检查其中的 passwd 字段(第二字段)是否为 "*",如不为 "*",则表示该用户没有设置密码,显示出这些用户名(第一字段)。我们可以用如下语句实现:awk -F: '$2=="" {printf("%s no password!",$1)' /etc/passwd 

内置变量

awk 有许多内置变量用来设置环境信息,这些变量可以被改变,下面给出了最常用的一些变量。

ARGC               命令行参数个数
ARGV               命令行参数排列
ENVIRON            支持队列中系统环境变量的使用
FILENAME           awk 浏览的文件名
FNR                浏览文件的记录数
FS                 设置输入域分隔符,等价于命令行 - F 选项
NF                 浏览记录的域的个数(列数)NR                 已读的记录数(行数)OFS                输出域分隔符
ORS                输出记录分隔符
RS                 控制记录分隔符

此外,$0 变量是指整条记录。$1 表示当前行的第一个域,$2 表示当前行的第二个域,…… 以此类推。

awk '/api\.php/{print}' log_file #在缺省格式下模式是 $0, 即打印出全条

awk '/api\.php/' log_file # 甚至还可以忽略 action 部分, 默认是 print 打印

统计 /etc/passwd: 文件名,每行的行号,每行的列数,对应的完整行内容:

#awk  -F ':'  '{print"filename:"FILENAME",linenumber:"NR",columns:"NF",linecontent:"$0}' /etc/passwd
filename:/etc/passwd,linenumber:1,columns:7,linecontent:root:x:0:0:root:/root:/bin/bash
filename:/etc/passwd,linenumber:2,columns:7,linecontent:daemon:x:1:1:daemon:/usr/sbin:/bin/sh
filename:/etc/passwd,linenumber:3,columns:7,linecontent:bin:x:2:2:bin:/bin:/bin/sh
filename:/etc/passwd,linenumber:4,columns:7,linecontent:sys:x:3:3:sys:/dev:/bin/sh

使用 printf 替代 print, 可以让代码更加简洁,易读

 awk  -F ':'  '{printf("filename:%10s,linenumber:%s,columns:%s,linecontent:%s\n",FILENAME,NR,NF,$0)}' /etc/passwd

print 和 printf

awk 中同时提供了 print 和 printf 两种打印输出的函数。

其中 print 函数的参数可以是变量、数值或者字符串。字符串必须用双引号引用,参数用逗号分隔。如果没有逗号,参数就串联在一起而无法区分。这里,逗号的作用与输出文件的分隔符的作用是一样的,只是后者是空格而已。

printf 函数,其用法和 c 语言中 printf 基本相似, 可以格式化字符串, 输出复杂时,printf 更加好用,代码更易懂。

head -10 log_file | awk '{printf"%03d %s\n",NR,$1}' 
# "%03d %s\n" 是格式, 其中 NR 替换 %03 成为前导 0 的三位数字,$1 替换 %s 成为字符串

001 220.181.108.180
002 220.181.108.180
003 220.181.108.150
004 123.125.71.45
005 220.181.108.142
006 220.181.108.162
007 151.80.31.110
008 220.181.108.82
009 220.181.108.185
010 151.80.31.112

awk 编程

变量和赋值

除了 awk 的内置变量,awk 还可以自定义变量。
下面统计 /etc/passwd 的账户人数

awk '{count++;print $0;} END{print"user count is ", count}' /etc/passwd
root:x:0:0:root:/root:/bin/bash
......
user count is  40

count 是自定义变量。之前的 action{}里都是只有一个 print, 其实 print 只是一个语句,而 action{}可以有多个语句,以; 号隔开。

这里没有初始化 count,虽然默认是 0,但是妥当的做法还是初始化为 0:

awk 'BEGIN {count=0;print"[start]user count is ", count} {count=count+1;print $0;} END{print"[end]user count is ", count}' /etc/passwd
[start]user count is  0
root:x:0:0:root:/root:/bin/bash
...
[end]user count is  40

统计某个文件夹下的文件占用的字节数

ls -l |awk 'BEGIN {size=0;} {size=size+$5;} END{print"[end]size is ", size}'
[end]size is  8657198

# 以兆来显示
ls -l |awk 'BEGIN {size=0;} {size=size+$5;} END{print"[end]size is ", size/1024/1024,"M"}' 
[end]size is  8.25889 M

BEGIN 和 END

在 awk 中两个特别的表达式,BEGIN 和 END,这两者都可用于 pattern 中(参考前面的 awk 语法),提供 BEGIN 和 END 的作用是给 程序赋予初始状态和在程序结束之后执行一些扫尾的工作。任何在 BEGIN 之后列出的操作(在 {} 内)将在 awk 开始扫描输入之前执行,而 END 之后列出的 操作将在扫描完全部的输入之后执行。因此,通常使用 BEGIN 来显示变量和预置(初始化)变量,使用 END 来输出最终结果。

awk 
>'BEGIN {FS=":";print" 统计销售金额 ";total=0} 
>{print $3;total=total+$3;} 
>END {printf "销售金额总计:%.2f",total}'  
# 注:> 是 shell 提供的第二提示符,如要在 shell 程序 awk 语句和 awk 语言中换行,则需在行尾加反斜杠
# 在这里,BEGIN 预置了内部变量 FS(字段分隔符)和自定义变量 total, 同时在扫描之前显示出输出行头。而 END 则在扫描完成后打印出总合计。

条件语句

if (expression) {
    statement;
    statement;
    ... ...
}

if (expression) {statement;} else {statement2;}

if (expression) {statement1;} else if (expression1) {statement2;} else {statement3;}

统计某个文件夹下的文件占用的字节数, 过滤 4096 大小的文件(一般都是文件夹):

ls -l |awk 'BEGIN {size=0;print"[start]size is ", size} {if($5!=4096){size=size+$5;}} END{print"[end]size is ", size/1024/1024,"M"}' 
[end]size is  8.22339 M

循环语句

awk 中的循环语句同样借鉴于 C 语言,支持 while、do/while、for、break、continue,这些关键字的语义和 C 语言中的语义完全相同。

awk -F ':' 'BEGIN {count=0;} {name[count] = $1;count++;}; END{for (i = 0; i < NR; i++) print i, name[i]}' /etc/passwd
0 root
1 daemon
2 bin
3 sys
4 sync
5 games
...... 

先把用户名放在 name 的这个数组里面, 执行完 awk 的隐式迭代后, 最后的 END 部分通过 for 循环输出;

更多请参考: http://www.gnu.org/software/g…

正文完
 0