歡迎來到Linux教程網
Linux教程網
Linux教程網
Linux教程網
您现在的位置: Linux教程網 >> UnixLinux >  >> Unix知識 >> 關於Unix

通用線程:Awk 實例,第 2部分

記錄、循環和數組 Daniel Robbins 總裁兼 CEO, Gentoo Technologies, Inc. 2001 年 1 月 在這篇 awk簡介的續集中,Daniel Robbins 繼續探索awk(一種很棒但有怪異名稱的語言)。Daniel將演示如何處理多行記錄、使用循環結構,以及創建並使用 awk數組。閱讀完 記錄、循環和數組

Daniel Robbins
總裁兼 CEO, Gentoo Technologies, Inc.
2001 年 1 月

在這篇 awk簡介的續集中,Daniel Robbins 繼續探索awk(一種很棒但有怪異名稱的語言)。Daniel將演示如何處理多行記錄、使用循環結構,以及創建並使用 awk數組。閱讀完本文後,您將精通許多 awk的功能,而且可以編寫您自己的功能強大的 awk 腳本。

多行記錄
awk 是一種用於讀取和處理結構化數據(如系統的 /etc/passwd 文件)的極佳工具。/etc/passwd 是 UNIX 用戶數據庫,並且是用冒號定界的文本文件,它包含許多重要信息,包括所有現有用戶帳戶和用戶標識,以及其它信息。在我的 前一篇文章 中,我演示了 awk 如何輕松地分析這個文件。我們只須將 FS(字段分隔符)變量設置成 ":"。

正確設置了 FS 變量之後,就可以將 awk 配置成分析幾乎任何類型的結構化數據,只要這些數據是每行一個記錄。然而,如果要分析占據多行的記錄,僅僅依靠設置 FS 是不夠的。在這些情況下,我們還需要修改 RS 記錄分隔符變量。RS 變量告訴 awk 當前記錄什麼時候結束,新記錄什麼時候開始。

譬如,讓我們討論一下如何完成處理“聯邦證人保護計劃”所涉及人員的地址列表的任務:

clearcase/" target="_blank" >cccccc" border="1">
Jimmy the Weasel100 Pleasant DriveSan Francisco, CA 12345Big Tony200 Incognito Ave.Suburbia, WA 67890

理論上,我們希望 awk 將每 3 行看作是一個獨立的記錄,而不是三個獨立的記錄。如果 awk 將地址的第一行看作是第一個字段 (),街道地址看作是第二個字段 (),城市、州和郵政編碼看作是第三個字段 ,那麼這個代碼就會變得很簡單。以下就是我們想要得到的代碼:

BEGIN {    FS="\n"    RS=""}

在上面這段代碼中,將 FS 設置成 "\n" 告訴 awk 每個字段都占據一行。通過將 RS 設置成 "",還會告訴 awk 每個地址記錄都由空白行分隔。一旦 awk 知道是如何格式化輸入的,它就可以為我們執行所有分析工作,腳本的其余部分很簡單。讓我們研究一個完整的腳本,它將分析這個地址列表,並將每個記錄打印在一行上,用逗號分隔每個字段。

address.awk
BEGIN {    FS="\n"    RS=""}{    print  ", "  ", " }

如果這個腳本保存為 address.awk,地址數據存儲在文件 address.txt 中,可以通過輸入 "awk -f address.awk address.txt" 來執行這個腳本。此代碼將產生以下輸出:

Jimmy the Weasel, 100 Pleasant Drive, San Francisco, CA 12345Big Tony, 200 Incognito Ave., Suburbia, WA 67890

OFS 和 ORS
在 address.awk 的 print 語句中,可以看到 awk 會連接(合並)一行中彼此相鄰的字符串。我們使用此功能在同一行上的三個字段之間插入一個逗號和空格 (", ")。這個方法雖然有用,但比較難看。與其在字段間插入 ", " 字符串,倒不如讓通過設置一個特殊 awk 變量 OFS,讓 awk 完成這件事。請參考下面這個代碼片斷。

print "Hello", "there", "Jim!"

這行代碼中的逗號並不是實際文字字符串的一部分。事實上,它們告訴 awk "Hello"、"there" 和 "Jim!" 是單獨的字段,並且應該在每個字符串之間打印 OFS 變量。缺省情況下,awk 產生以下輸出:

Hello there Jim!

這是缺省情況下的輸出結果,OFS 被設置成 " ",單個空格。不過,我們可以方便地重新定義 OFS,這樣 awk 將插入我們中意的字段分隔符。以下是原始 address.awk 程序的修訂版,它使用 OFS 來輸出那些中間的 ", " 字符串:

address.awk 的修訂版
BEGIN {    FS="\n"    RS=""    OFS=", "}{    print , , }

awk 還有一個特殊變量 ORS,全稱是“輸出記錄分隔符”。通過設置缺省為換行 ("\n") 的 OFS,我們可以控制在 print 語句結尾自動打印的字符。缺省 ORS 值會使 awk 在新行中輸出每個新的 print 語句。如果想使輸出的間隔翻倍,可以將 ORS 設置成 "\n\n"。或者,如果想要用單個空格分隔記錄(而不換行),將 ORS 設置成 ""。

將多行轉換成用 tab 分隔的格式
假設我們編寫了一個腳本,它將地址列表轉換成每個記錄一行,且用 tab 定界的格式,以便導入電子表格。使用稍加修改的 address.awk 之後,就可以清楚地看到這個程序只適合於三行的地址。如果 awk 遇到以下地址,將丟掉第四行,並且不打印該行:

Cousin VinnieVinnie's Auto Shop300 City AlleySosueme, OR 76543

要處理這種情況,代碼最好考慮每個字段的記錄數量,並依次打印每個記錄。現在,代碼只打印地址的前三個字段。以下就是我們想要的一些代碼:

適合具有任意多字段的地址的 address.awk 版本
BEGIN {     FS="\n"     RS=""     ORS="" }  {          x=1         while ( x<NF ) {                 print $x "\t"                 x++         }         print $NF "\n" } 

首先,將字段分隔符 FS 設置成 "\n",將記錄分隔符 RS 設置成 "",這樣 awk 可以象以前一樣正確分析多行地址。然後,將輸出記錄分隔符 ORS 設置成 "",它將使 print 語句在每個調用結尾 輸出新行。這意味著如果希望任何文本從新的一行開始,那麼需要明確寫入 print "\n"

在主代碼塊中,創建了一個變量 x 來存儲正在處理的當前字段的編號。起初,它被設置成 1。然後,我們使用 while 循環(一種 awk 循環結構,等同於 C 語言中的 while 循環),對於所有記錄(最後一個記錄除外)重復打印記錄和 tab 字符。最後,打印最後一個記錄和換行;此外,由於將 ORS 設置成 "",print 將不輸出換行。程序輸出如下,這正是我們所期望的:

我們想要的輸出。不算漂亮,但用 tab 定界,以便於導入電子表格
Jimmy the Weasel        100 Pleasant Drive      San Francisco, CA 12345 Big Tony        200 Incognito Ave.      Suburbia, WA 67890Cousin Vinnie   Vinnie's Auto Shop      300 City Alley  Sosueme, OR 76543

循環結構
我們已經看到了 awk 的 while 循環結構,它等同於相應的 C 語言 while 循環。awk 還有 "do...while" 循環,它在代碼塊結尾處對條件求值,而不象標准 while 循環那樣在開始處求值。它類似於其它語言中的 "repeat...until" 循環。以下是一個示例:

do...while 示例
{    count=1    do {        print "I get printed at least once no matter what"     } while ( count != 1 )}

與一般的 while 循環不同,由於在代碼塊之後對條件求值,"do...while" 循環永遠都至少執行一次。換句話說,當第一次遇到普通 while 循環時,如果條件為假,將永遠不執行該循環。

for 循環
awk 允許創建 for 循環,它就象 while 循環,也等同於 C 語言的 for 循環:

for ( initial assignment; comparison; increment ) {    code block}

以下是一個簡短示例:

for ( x = 1; x <= 4; x++ ) {    print "iteration",x}

此段代碼將打印:

iteration 1iteration 2iteration 3iteration 4

break 和 continue
此外,如同 C 語言一樣,awk 提供了 break 和 continue 語句。使用這些語句可以更好地控制 awk 的循環結構。以下是迫切需要 break 語句的代碼片斷:

while 死循環
while (1) {    print "forever and ever..."}

while 死循環 1 永遠代表是真,這個 while 循環將永遠運行下去。以下是一個只執行十次的循環:

break 語句示例
x=1while(1) {    print "iteration",x    if ( x == 10 ) {        break    }    x++}

這裡,break 語句用於“逃出”最深層的循環。"break" 使循環立即終止,並繼續執行循環代碼塊後面的語句。

continue 語句補充了 break,其作用如下:

x=1while (1) {    if ( x == 4 ) {        x++        continue    }    print "iteration",x    if ( x > 20 ) {        break    }    x++}

這段代碼打印 "iteration 1" 到 "iteration 21","iteration 4" 除外。如果迭代等於 4,則增加 x 並調用 continue 語句,該語句立即使 awk 開始執行下一個循環迭代,而不執行代碼塊的其余部分。如同 break 一樣,continue 語句適合各種 awk 迭代循環。在 for 循環主體中使用時,continue 將使循環控制變量自動增加。以下是一個等價循環:

for ( x=1; x<=21; x++ ) {    if ( x == 4 ) {        continue    }    print "iteration",x}

在 while 循環中時,在調用 continue 之前沒有必要增加 x ,因為 for 循環會自動增加 x

數組
如果您知道 awk 可以使用數組,您一定會感到高興。然而,在 awk 中,數組下標通常從 1 開始,而不是 0:

myarray[1]="jim"myarray[2]=456

awk 遇到第一個賦值語句時,它將創建 myarray ,並將元素 myarray[1] 設置成 "jim"。執行了第二個賦值語句後,數組就有兩個元素了。

數組迭代
定義之後,awk 有一個便利的機制來迭代數組元素,如下所示:

for ( x in myarray ) {    print myarray[x]}

這段代碼將打印數組 myarray 中的每一個元素。當對於 for 使用這種特殊的 "in" 形式時,awk 將 myarray 的每個現有下標依次賦值給 x (循環控制變量),每次賦值以後都循環一次循環代碼。雖然這是一個非常方便的 awk 功能,但它有一個缺點 -- 當 awk 在數組下標之間輪轉時,它不會依照任何特定的順序。那就意味著我們不能知道以上代碼的輸出是:

jim456

還是

456jim

套用 Forrest Gump 的話來說,迭代數組內容就像一盒巧克力 -- 您永遠不知道將會得到什麼。因此有必要使 awk 數組“字符串化”,我們現在就來研究這個問題。

數組下標字符串化
在我的 前一篇文章 中,我演示了 awk 實際上以字符串格式來存儲數字值。雖然 awk 要執行必要的轉換來完成這項工作,但它卻可以使用某些看起來很奇怪的代碼:

a="1"b="2"c=a+b+3

執行了這段代碼後, c 等於 6 。由於 awk 是“字符串化”的,添加字符串 "1" 和 "2" 在功能上並不比添加數字 1 和 2 難。這兩種情況下,awk 都可以成功執行運算。awk 的“字符串化”性質非常可愛 -- 您可能想要知道如果使用數組的字符串下標會發生什麼情況。例如,使用以下代碼:

myarr["1"]="Mr. Whipple"print myarr["1"]

可以預料,這段代碼將打印 "Mr. Whipple"。但如果去掉第二個 "1" 下標中的引號,情況又會怎樣呢?

myarr["1"]="Mr. Whipple"print myarr[1]

猜想這個代碼片斷的結果比較難。awk 將 myarr["1"]myarr[1] 看作數組的兩個獨立元素,還是它們是指同一個元素?答案是它們指的是同一個元素,awk 將打印 "Mr. Whipple",如同第一個代碼片斷一樣。雖然看上去可能有點怪,但 awk 在幕後卻一直使用數組的字符串下標!

了解了這個奇怪的真相之後,我們中的一些人可能想要執行類似於以下的古怪代碼:

myarr["name"]="Mr. Whipple"print myarr["name"]

這段代碼不僅不會產生錯誤,而且它的功能與前面的示例完全相同,也將打印 "Mr. Whipple"!可以看到,awk 並沒有限制我們使用純整數下標;如果我們願意,可以使用字符串下標,而且不會產生任何問題。只要我們使用非整數數組下標,如 myarr["name"] ,那麼我們就在使用 關聯數組 。從技術上講,如果我們使用字符串下標,awk 的後台操作並沒有什麼不同(因為即便使用“整數”下標,awk 還是會將它看作是字符串)。但是,應該將它們稱作 關聯數組 -- 它聽起來很酷,而且會給您的上司留下印象。字符串化下標是我們的小秘密。;)

數組工具
談到數組時,awk 給予我們許多靈活性。可以使用字符串下標,而且不需要連續的數字序列下標(例如,可以定義 myarr[1]myarr[1000] ,但不定義其它所有元素)。雖然這些都很有用,但在某些情況下,會產生混淆。幸好,awk 提供了一些實用功能有助於使數組變得更易於管理。

首先,可以刪除數組元素。如果想要刪除數組 fooarray 的元素 1 ,輸入:

delete fooarray[1]

而且,如果想要查看是否存在某個特定數組元素,可以使用特殊的 "in" 布爾運算符,如下所示:

if ( 1 in fooarray ) {    print "Ayep!  It's there."} else {    print "Nope!  Can't find it."}

下一篇
本文中,我們已經討論了許多基礎知識。下一篇中,我將演示如何使用 awk 的數學運算和字符串函數,以及如何創建您自己的函數,使您完全掌握 awk 知識。我還將指導您創建支票簿結算程序。那時,我會鼓勵您編寫自己的 awk 程序。

Copyright © Linux教程網 All Rights Reserved