awk划分字段的3种方式

Posted 2020-11-28 liujunjun

详细分析awk字段分割

awk读取每一条记录之后，会将其赋值给$0，同时还会对这条记录按照预定义变量FS划分字段，将划分好的各个字段分别赋值给$1 $2 $3 $4...$N，同时将划分的字段数量赋值给预定义变量NF。

引用字段的方式

$N引用字段：

N=0：即$0，引用记录本身
0<N<=NF：引用对应字段
N>NF：表示引用不存在的字段，返回空字符串
N<0：报错

可使用变量或计算的方式指定要获取的字段序号。

[root@docker-01 ~]# awk ‘{n = 5;print $n}‘ a.txt
email
[e-mail]
[e-mail]
[e-mail]
[e-mail]
[e-mail]
[e-mail]
[e-mail]
[e-mail]
[e-mail]
[e-mail]
[root@docker-01 ~]# awk ‘{print $(2+2)}‘ a.txt # 括号必不可少，用于改变优先级
age
28
24
21
21
18
22
25
20
23
27
[root@docker-01 ~]# awk ‘{print $(NF-3)}‘ a.txt
gender
male
female
male
male
male
female
female
male
female
female

分割字段的方式

读取record之后，将使用预定义变量FS、FIELDWIDTHS或FPAT中的一种来分割字段。分割完成之后，再进入main代码段(所以，在main中设置FS对本次已经读取的record是没有影响的，但会影响下次读取)。

划分字段方式(一)：FS或-F

FS或者-F：字段分隔符

• FS为单个字符时，该字符即为字段分隔符
• FS为多个字符时，则采用正则表达式模式作为字段分隔符
• 特殊的，也是FS默认的情况，FS为单个空格时，将以连续的空白（空格、制表符、换行符）作为字段分隔符
• 特殊的，FS为空字符串""时，将对每个字符都进行分隔，即每个字符都作为一个字段
• 设置预定义变量IGNORECASE为非零值，正则匹配时表示忽略大小写(只影响正则，所以FS为单字时无影响)
• 如果record中无法找到FS指定的分隔符(例如将FS设置为" ")，则整个记录作为一个字段，即$1和$0相等

[root@docker-01 ~]# awk -F":" ‘{print $1}‘ /etc/passwd
root
bin
daemon
adm
lp
sync
shutdown
halt
mail
operator
games
ftp
nobody
systemd-network
dbus
polkitd
postfix
sshd
chrony
tss
[root@docker-01 ~]# awk ‘BEGIN{FS=":"}{print $1}‘ /etc/passwd
root
bin
daemon
adm
lp
sync
shutdown
halt
mail
operator
games
ftp
nobody
systemd-network
dbus
polkitd
postfix
sshd
chrony
tss
# 字段分隔符指定为单个字符

[root@docker-01 ~]# awk ‘BEGIN{FS=" +|@"}{print $1,$2,$3,$4,$5,$6}‘ a.txt
ID name gender age email phone
1 Bob male 28 abc qq.com
2 Alice female 24 def gmail.com
3 Tony male 21 aaa 163.com
4 Kevin male 21 bbb 189.com
5 Alex male 18 ccc xyz.com
6 Andy female 22 ddd 139.com
7 Jerry female 25 exdsa 189.com
8 Peter male 20 bax qq.com
9 Steven female 23 bc sohu.com
10 Bruce female 27 bcbd 139.com
# 字段分隔符指定为正则表达式

划分字段方式(二)：FIELDWIDTHS

指定预定义变量FIELDWIDTHS按字符宽度分割字段，这是gawk提供的高级功能。在处理某字段缺失时非常好用。

用法：

FIELDWIDTHS="3 5 6 9" 　　表示第一个字段3个字符，第二个字段5个字符，。。。。。
FIELDWIDTHS="8 1:5 6 2:3"
第一个字段读8个字符。
然后路过一个字符，再读5个字符作为第二个字段
然后读6个字符作为第三个字段
然后路过2个字符再读33个字符作为第四个字段（如不足33个字符，则读到结尾）
FIELDWIDTHS="2 3 *“
第一个字段读2个字符
第二个字段读3个字符
第三个段剩余所有字符
*号只能放在最后，且只能单独使用，表示剩余所有。

示例1：

[root@docker-01 ~]# awk ‘BEGIN{FIELDWIDTHS="2 3 2"}{print $1,$2,$3,$4}‘ <<<"AABBBCCDDDD"
AA BBB CC 
# 没取完的字符串DDD被丢弃，且NF=3
[root@docker-01 ~]# awk ‘BEGIN{FIELDWIDTHS="2 3 2 100"}{print $1,$2,$3,$4"-"}‘ <<<"AABBBCCDDDD"
AA BBB CC DDDD-
# 字符串不够长度时无视
[root@docker-01 ~]# awk ‘BEGIN{FIELDWIDTHS="2 3 *"}{print $1,$2,$3}‘ <<<"AABBBCCDDDD"
AA BBB CCDDDD
*号取剩余所有，NF=3
[root@docker-01 ~]# awk ‘BEGIN{FIELDWIDTHS="2 30 *"}{print $1,$2,NF}‘ <<<"AABBBCCDDDD" 
AA BBBCCDDDD 2
# 字段数多了，则取完字符串即可，NF=2

示例2：处理某些字段缺失的数据。

如果按照常规的FS进行字段分割，则对于缺失字段的行和没有缺失字段的行很难统一处理，但使用FIELDWIDTHS则非常方便。

假设a.txt文本内容如下：

[root@docker-01 ~]# cat a.txt 
ID  name    gender  age  email          phone
1   Bob     male    28   [e-mail]     18023394012
2   Alice   female  24   [e-mail]  18084925203
3   Tony    male    21   [e-mail]    17048792503
4   Kevin   male    21   [e-mail]    17023929033
5   Alex    male    18   　　　　　　　　   18185904230
6   Andy    female  22   [e-mail]    18923902352
7   Jerry   female  25   [e-mail]  18785234906
8   Peter   male    20   [e-mail]     17729348758
9   Steven  female  23   [e-mail]    15947893212
10  Bruce   female  27   [e-mail]   13942943905

因为email字段有的是空字段，所以直接用FS划分字段不便处理。可使用FIELDWIDTHS。

[root@docker-01 ~]# awk ‘
> BEGIN{FIELDWIDTHS="4 8 8 2 3:13 2:11"}
> NR>1{
>     print "<"$1">","<"$2">","<"$3">","<"$4">","<"$5">","<"$6">"
> }‘ a.txt
<1   > <Bob     > <male    > <28> <[e-mail]   > <18023394012>
<2   > <Alice   > <female  > <24> <[e-mail]> <18084925203>
<3   > <Tony    > <male    > <21> <[e-mail]  > <17048792503>
<4   > <Kevin   > <male    > <21> <[e-mail]  > <17023929033>
<5   > <Alex    > <male    > <18> <             1818> <04230>
<6   > <Andy    > <female  > <22> <[e-mail]  > <18923902352>
<7   > <Jerry   > <female  > <25> <[e-mail]> <18785234906>
<8   > <Peter   > <male    > <20> <[e-mail]   > <17729348758>
<9   > <Steven  > <female  > <23> <[e-mail]  > <15947893212>
<10  > <Bruce   > <female  > <27> <[e-mail] > <13942943905>
# 字段1：4字符
# 字段2：8字符
# 字段3：8字符
# 字段4：2字符
# 字段5：先跳过3字符，再读13字符，该字段13字符
# 字段6：先跳过2字符，再读11字符，该字段11字符

划分字段方式(三)：FPAT

FS是指定字段分隔符，来取得除分隔符外的部分作为字段。

FPAT是取得匹配的字符部分作为字段。它是gawk提供的一个高级功能。

FPAT根据指定的正则来全局匹配record，然后将所有匹配成功的部分组成$1、$2...，不会修改$0。

[root@docker-01 ~]# awk ‘BEGIN{FPAT="[0-9]+"}{print $3"-"}‘ a.txt
-
18023394012-
18084925203-
163-
189-
18185904230-
139-
189-
17729348758-
15947893212-
139-

之后再设置FS或FPAT，该变量将失效

FPAT常用于字段中包含了字段分隔符的场景。例如，CSV文件中的一行数据如下：

Robbins,Arnold,"1234 A Pretty Street, NE",MyTown,MyState,12345-6789,USA

其中逗号分隔每个字段，但双引号包围的是一个字段整体，即使其中有逗号。

这时使用FPAT来划分各字段比使用FS要方便的多。

[root@docker-01 ~]# echo ‘Robbins,Arnold,"1234 A Pretty Street, NE",MyTown,MyState,12345-6789,USA‘ |> awk ‘
>     BEGIN{FPAT="[^,]*|("[^"]*")"}
>     {
>         for (i=1;i<NF;i++){
>             print "<"$i">"
>         }
>     }
> ‘
<Robbins>
<Arnold>
<"1234 A Pretty Street, NE">
<MyTown>
<MyState>
<12345-6789>

最后，patsplit()函数和FPAT的功能一样。

检查字段划分的方式

有FS、FIELDWIDTHS、FPAT三种获取字段的方式，可使用PROCINFO数组来确定本次使用何种方式获得字段。

PROCINFO是一个数组，记录了awk进程工作时的状态信息。

如果：

PROCINFO["FS"]=="FS"，表示使用FS分割获取字段
PROCINFO["FPAT"]=="FPAT"，表示使用FPAT匹配获取字段
PROCINFO["FIELDWIDTHS"]=="FIELDWIDTHS"，表示使用FIELDWIDTHS分割获取字段

例如：

if(PROCINFO["FS"]=="FS"){
    ...FS spliting...
} else if(PROCINFO["FPAT"]=="FPAT"){
    ...FPAT spliting...
} else if(PROCINFO["FIELDWIDTHS"]=="FIELDWIDTHS"){
    ...FIELDWIDTHS spliting...
}