幫助你排序文本文件的 Awk 命令行或腳本(推薦)

Awk 是一個(gè)強(qiáng)大的工具，可以執(zhí)行某些可能由其它常見實(shí)用程序（包括 sort）來完成的任務(wù)。

Awk 是個(gè)普遍存在的 Unix 命令，用于掃描和處理包含可預(yù)測模式的文本。但是，由于它具有函數(shù)功能，因此也可以合理地稱之為編程語言。

令人困惑的是，有不止一個(gè) awk。（或者，如果你認(rèn)為只有一個(gè)，那么其它幾個(gè)就是克隆。）有 awk（由Aho、Weinberger 和 Kernighan 編寫的原始程序），然后有 nawk 、mawk 和 GNU 版本的 gawk。GNU 版本的 awk 是該實(shí)用程序的一個(gè)高度可移植的自由軟件版本，具有幾個(gè)獨(dú)特的功能，因此本文是關(guān)于 GNU awk 的。

雖然它的正式名稱是 gawk，但在 GNU+Linux 系統(tǒng)上，它的別名是 awk，并用作該命令的默認(rèn)版本。 在其他沒有帶有 GNU awk 的系統(tǒng)上，你必須先安裝它并將其稱為 gawk，而不是 awk。本文互換使用術(shù)語 awk 和 gawk。

awk 既是命令語言又是編程語言，這使其成為一個(gè)強(qiáng)大的工具，可以處理原本留給 sort、cut、uniq 和其他常見實(shí)用程序的任務(wù)。幸運(yùn)的是，開源中有很多冗余空間，因此，如果你面臨是否使用 awk 的問題，答案可能是肯定的“隨便”。

awk 的靈活之美在于，如果你已經(jīng)確定使用 awk 來完成一項(xiàng)任務(wù)，那么無論接下來發(fā)生什么，你都可以繼續(xù)使用 awk。這包括對數(shù)據(jù)排序而不是按交付給你的順序的永恒需求。

樣本數(shù)據(jù)集

在探索 awk 的排序方法之前，請生成要使用的樣本數(shù)據(jù)集。保持簡單，這樣你就不會為極端情況和意想不到的復(fù)雜性所困擾。這是本文使用的樣本集：

Aptenodytes;forsteri;Miller,JF;1778;Emperor
Pygoscelis;papua;Wagler;1832;Gentoo
Eudyptula;minor;Bonaparte;1867;Little Blue
Spheniscus;demersus;Brisson;1760;African
Megadyptes;antipodes;Milne-Edwards;1880;Yellow-eyed
Eudyptes;chrysocome;Viellot;1816;Sothern Rockhopper
Torvaldis;linux;Ewing,L;1996;Tux

這是一個(gè)很小的數(shù)據(jù)集，但它提供了多種數(shù)據(jù)類型：

• 屬名和種名，彼此相關(guān)但又是分開的
• 姓，有時(shí)是以逗號開頭的首字母縮寫
• 代表日期的整數(shù)
• 任意術(shù)語
• 所有字段均以分號分隔
  

根據(jù)你的教育背景，你可能會認(rèn)為這是二維數(shù)組或表格，或者只是行分隔的數(shù)據(jù)集合。你如何看待它只是你的問題，而 awk 只認(rèn)識文本。由你決定告訴 awk 你想如何解析它。

只想排序

如果你只想按特定的可定義字段（例如電子表格中的“單元格”）對文本數(shù)據(jù)集進(jìn)行排序，則可以使用 sort 命令。

字段和記錄

無論輸入的格式如何，都必須在其中找到模式才可以專注于對你重要的數(shù)據(jù)部分。在此示例中，數(shù)據(jù)由兩個(gè)因素定界：行和字段。每行都代表一個(gè)新的記錄，就如你在電子表格或數(shù)據(jù)庫轉(zhuǎn)儲中看到的一樣。在每一行中，都有用分號（;）分隔的不同的字段（將其視為電子表格中的單元格）。

awk 一次只處理一條記錄，因此，當(dāng)你在構(gòu)造發(fā)給 awk 的這指令時(shí)，你可以只關(guān)注一行記錄。寫下你想對一行數(shù)據(jù)執(zhí)行的操作，然后在下一行進(jìn)行測試（無論是心理上還是用 awk 進(jìn)行測試），然后再進(jìn)行其它的一些測試。最后，你要對你的 awk 腳本要處理的數(shù)據(jù)做好假設(shè)，以便可以按你要的數(shù)據(jù)結(jié)構(gòu)提供給你數(shù)據(jù)。

在這個(gè)例子中，很容易看到每個(gè)字段都用分號隔開。為簡單起見，假設(shè)你要按每行的第一字段對列表進(jìn)行排序。

在進(jìn)行排序之前，你必須能夠讓 awk 只關(guān)注在每行的第一個(gè)字段上，因此這是第一步。終端中 awk 命令的語法為 awk，后跟相關(guān)選項(xiàng)，最后是要處理的數(shù)據(jù)文件。

$ awk --field-separator=";" '{print $1;}' penguins.list
Aptenodytes
Pygoscelis
Eudyptula
Spheniscus
Megadyptes
Eudyptes
Torvaldis

因?yàn)樽侄畏指舴菍?Bash shell 具有特殊含義的字符，所以必須將分號括在引號中或在其前面加上反斜杠。此命令僅用于證明你可以專注于特定字段。你可以使用另一個(gè)字段的編號嘗試相同的命令，以查看數(shù)據(jù)的另一個(gè)“列”的內(nèi)容：

$ awk --field-separator=";" '{print $3;}' penguins.list
Miller,JF
Wagler
Bonaparte
Brisson
Milne-Edwards
Viellot
Ewing,L

我們尚未進(jìn)行任何排序，但這是良好的基礎(chǔ)。

腳本編程

awk 不僅僅是命令，它是一種具有索引、數(shù)組和函數(shù)的編程語言。這很重要，因?yàn)檫@意味著你可以獲取要排序的字段列表，將列表存儲在內(nèi)存中，進(jìn)行處理，然后打印結(jié)果數(shù)據(jù)。對于諸如此類的一系列復(fù)雜操作，在文本文件中進(jìn)行操作會更容易，因此請創(chuàng)建一個(gè)名為 sort.awk 的新文件并輸入以下文本：

#!/bin/gawk -f
BEGIN {
    FS=";";
}

這會將該文件建立為 awk 腳本，該腳本中包含執(zhí)行的行。

BEGIN 語句是 awk 提供的特殊設(shè)置功能，用于只需要執(zhí)行一次的任務(wù)。定義內(nèi)置變量 FS，它代表字段分隔符field separator，并且與你在 awk 命令中使用 --field-separator 設(shè)置的值相同，它只需執(zhí)行一次，因此它包含在 BEGIN 語句中。

awk 中的數(shù)組

你已經(jīng)知道如何通過使用 $ 符號和字段編號來收集特定字段的值，但是在這種情況下，你需要將其存儲在數(shù)組中而不是將其打印到終端。這是通過 awk 數(shù)組完成的。awk 數(shù)組的重要之處在于它包含鍵和值。 想象一下有關(guān)本文的內(nèi)容；它看起來像這樣：author:"seth",title:"How to sort with awk",length:1200。諸如作者、標(biāo)題和長度之類的元素是鍵，跟著的內(nèi)容為值。

在排序的上下文中這樣做的好處是，你可以將任何字段分配為鍵，將任何記錄分配為值，然后使用內(nèi)置的 awk 函數(shù) asorti()（按索引排序）按鍵進(jìn)行排序。現(xiàn)在，隨便假設(shè)你只想按第二個(gè)字段排序。

沒有被特殊關(guān)鍵字 BEGIN 或 END 引起來的 awk 語句是在每個(gè)記錄都要執(zhí)行的循環(huán)。這是腳本的一部分，該腳本掃描數(shù)據(jù)中的模式并進(jìn)行相應(yīng)的處理。每次 awk 將注意力轉(zhuǎn)移到一條記錄上時(shí)，都會執(zhí)行 {} 中的語句（除非以 BEGIN 或 END 開頭）。

要將鍵和值添加到數(shù)組，請創(chuàng)建一個(gè)包含數(shù)組的變量（在本示例腳本中，我將其稱為 ARRAY，雖然不是很原汁原味，但很清楚），然后在方括號中分配給它鍵，用等號（=）連接值。

{  # dump each field into an array
  ARRAY[$2] = $R;
}

在此語句中，第二個(gè)字段的內(nèi)容（$2）用作關(guān)鍵字，而當(dāng)前記錄（$R）用作值。

asorti() 函數(shù)

除了數(shù)組之外，awk 還具有一些基本函數(shù)，你可以將它們用作常見任務(wù)的快速簡便的解決方案。GNU awk中引入的函數(shù)之一 asorti() 提供了按鍵（索引）或值對數(shù)組進(jìn)行排序的功能。

你只能在對數(shù)組進(jìn)行填充后對其進(jìn)行排序，這意味著此操作不能對每個(gè)新記錄都觸發(fā)，而只能在腳本的最后階段進(jìn)行。為此，awk 提供了特殊的 END 關(guān)鍵字。與 BEGIN 相反，END 語句僅在掃描了所有記錄之后才觸發(fā)一次。

將這些添加到你的腳本：

END {
  asorti(ARRAY,SARRAY);
  # get length
  j = length(SARRAY);
  
  for (i = 1; i <= j; i++) {
    printf("%s %s\n", SARRAY[i],ARRAY[SARRAY[i]])
  }
}

asorti() 函數(shù)獲取 ARRAY 的內(nèi)容，按索引對其進(jìn)行排序，然后將結(jié)果放入名為 SARRAY 的新數(shù)組（我在本文中發(fā)明的任意名稱，表示“排序的 ARRAY”）。

接下來，將變量 j（另一個(gè)任意名稱）分配給 length() 函數(shù)的結(jié)果，該函數(shù)計(jì)算 SARRAY 中的項(xiàng)數(shù)。

最后，使用 for 循環(huán)使用 printf() 函數(shù)遍歷 SARRAY 中的每一項(xiàng)，以打印每個(gè)鍵，然后在 ARRAY 中打印該鍵的相應(yīng)值。

運(yùn)行該腳本

要運(yùn)行你的 awk 腳本，先使其可執(zhí)行：

$ chmod +x sorter.awk

然后針對 penguin.list 示例數(shù)據(jù)運(yùn)行它：

$ ./sorter.awk penguins.list
antipodes Megadyptes;antipodes;Milne-Edwards;1880;Yellow-eyed
chrysocome Eudyptes;chrysocome;Viellot;1816;Sothern Rockhopper
demersus Spheniscus;demersus;Brisson;1760;African
forsteri Aptenodytes;forsteri;Miller,JF;1778;Emperor
linux Torvaldis;linux;Ewing,L;1996;Tux
minor Eudyptula;minor;Bonaparte;1867;Little Blue
papua Pygoscelis;papua;Wagler;1832;Gentoo

如你所見，數(shù)據(jù)按第二個(gè)字段排序。

這有點(diǎn)限制。最好可以在運(yùn)行時(shí)靈活選擇要用作排序鍵的字段，以便可以在任何數(shù)據(jù)集上使用此腳本并獲得有意義的結(jié)果。

添加命令選項(xiàng)

你可以通過在腳本中使用字面值 var 將命令變量添加到 awk 腳本中。更改腳本，以使迭代子句在創(chuàng)建數(shù)組時(shí)使用 var：

{ # dump each field into an array
  ARRAY[$var] = $R;
}

嘗試運(yùn)行該腳本，以便在執(zhí)行腳本時(shí)使用 -v var 選項(xiàng)將其按第三字段排序：

$ ./sorter.awk -v var=3 penguins.list
Bonaparte Eudyptula;minor;Bonaparte;1867;Little Blue
Brisson Spheniscus;demersus;Brisson;1760;African
Ewing,L Torvaldis;linux;Ewing,L;1996;Tux
Miller,JF Aptenodytes;forsteri;Miller,JF;1778;Emperor
Milne-Edwards Megadyptes;antipodes;Milne-Edwards;1880;Yellow-eyed
Viellot Eudyptes;chrysocome;Viellot;1816;Sothern Rockhopper
Wagler Pygoscelis;papua;Wagler;1832;Gentoo

修正

本文演示了如何在純 GNU awk 中對數(shù)據(jù)進(jìn)行排序。你可以對腳本進(jìn)行改進(jìn)，以便對你有用，花一些時(shí)間在gawk 的手冊頁上研究 awk 函數(shù)并自定義腳本以獲得更好的輸出。

這是到目前為止的完整腳本：

#!/usr/bin/awk -f
# GPLv3 appears here
# usage: ./sorter.awk -v var=NUM FILE
BEGIN { FS=";"; }
{ # dump each field into an array
  ARRAY[$var] = $R;
}
END {
  asorti(ARRAY,SARRAY);
  # get length
  j = length(SARRAY);
  
  for (i = 1; i <= j; i++) {
    printf("%s %s\n", SARRAY[i],ARRAY[SARRAY[i]])
  }
}

總結(jié)

以上所述是小編給大家介紹的幫助你排序文本文件的 Awk 命令行或腳本，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時(shí)回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！
如果你覺得本文對你有幫助，歡迎轉(zhuǎn)載，煩請注明出處，謝謝！