Awk

awk-työkalun avulla voi helposti muuntaa tekstitiedoston rakennetta. awk ja sen laajennettu versio gawk kuuluvat Unix/Linux-käyttäjän perustyökaluihin silloin, kun kyseessä on:

• puhtaan tekstitiedoston muuntaminen riveittäin toiseen muotoon
• rivien suodattaminen pois tekstistä tavalla, johon grep ei kykene
• laskujen laskeminen riveillä olevilla numeroilla

Johdanto

awk on skriptikieli ja samanniminen tulkki tälle skriptikielelle. Se on tarkoitettu tiedon hakemiseen selkeän rakenteen omaavista tekstitiedostoista ja tämän tiedon esittämiseen siistissä muodossa. Sen kehittäminen aloitettiin jo 1977 AT&T:n tutkimuslaboratoriossa (Bell Labs). Samassa paikassa aloitettiin muutama vuosi aikaisemmin myös Unixin kehittäminen.

awk:n tilalla on monesti käytetty Perliä, joka on kehitetty mm. ratkaisemaan samankaltaisia ongelmia kuin awk. awk:n opettelu ei silti ole turhaa, sillä:

• awk on yksinkertaisempi (tärkeää jos mietit, kumman opettelisit ensin)
• awk:n syntaksi on säännöllisempi
• awk löytyy lähestulkoon järjestelmästä kuin järjestelmästä, Perl-tulkki ei
• IEEE:n Unix-standardi määrittelee awk:n melko kattavasti, kun taas Perlin parametrit ja syntaksi ovat eläneet päätoteutuksen mukana

Tärkeää on siis ymmärtää, että awk ei ole ainoa työkalu tietyntyyppisten ongelmien ratkaisemiseen. Eikä se ole myöskään monipuolisin. Se saattaa kuitenkin monissa tilanteissa olla yksinkertaisempi käyttää kuin Perl-skriptit.

Syntaksi

awk:n syntaksi on lähellä C:n syntaksia. Seuraavat asiat on kuitenkin syytä huomioida:

• muuttujilla ei ole tyyppiä ja muunnokset tehdään automaattisesti.
• taulukkoindekseinä voi käyttää periaatteessa mitä tahansa, tästä on paljon hyötyä niissä tehtävissä, joihin awk on ensisijaisesti tarkoitettu
• syöttödata pilkotaan automaattisesti $1..n numeroiduiksi kentiksi yleensä välilyönnin kohdalta.
• virheilmoitusten tulkinta voi olla hankalaa

Yksinkertaisimmillaan awk:ta voidaan käyttää riveillä muotoa

lauseke {komento}

missä lauseke voi olla säännöllinen lauseke tai etsittävä merkkijono. Esimerkiksi rivi

/linux/ {print}

tulostaisi kaikki rivit, joilla esiintyy sana "linux".

awk-ohjelman käyttö

awk:ta käytetään komentoriviltä antamalla sille syötteenä skripti ja tiedosto, jota tällä skriptillä käsitellään. Skripti voidaan antaa joko komentoriviparametrina tai pidempien skriptien kanssa antamalla parametrina tiedosto, josta skripti ladataan. Eli joko

awk -f skripti.awk tiedosto.txt

tai

awk '/linux/ {print}' tiedosto.txt

Kenttien käsittely

awk:n vahvin puoli on sen kyky käsitellä tiedoston sisältöä kenttinä. Esimerkiksi voimme helposti tulostaa tekstitaulukosta jokaisen rivin kolmannet solut.

Tutkitaan esimerkiksi tiedostoa /etc/passwd josta löytyy tietokoneen käyttäjien käyttäjätunnukset. Tämä tiedosto on muotoa

root:x:0:0:root:/root:/bin/bash
daemon:x:1:1:daemon:/usr/sbin:/bin/sh
bin:x:2:2:bin:/bin:/bin/sh

Leikitään, että haluamme tulostaa tiedostosta käyttäjien nimet. Käyttäjätunnus on jokaisella rivillä ensimmäinen kenttä, jos kentät erotellaan :-merkillä. Tehdään tällainen awk-skripti.

Määritellään ensin erotinmerkiksi kaksoispiste asettamalla se muuttujan FS komennolla

FS = ":"

Komentoriviltä käytettäessä tämä voitaisiin asettaa valitsimella -F:

awk -F ":" ....

Tämän jälkeen awk erottelee jokaiselta riviltä vuorotellen kaksoispisteen erottamat merkkijonot (kentät) muuttujiin $1, $2,... Esimerkiksi tässä tapauksessa ensimmäisellä rivillä $1 olisi "root" ja $2 olisi "x". Nyt voimme tulostaa jokaiselta riviltä ensimmäisen kentät komennolla print $1, eli lopullinen awk-skriptitiedosto olisi

FS = ":"
{ print $1 }

Toisaalta tämä voitaisiin ajaa myös yhdellä komennolla:

awk -F : '{print $1}' /etc/passwd

BEGIN- ja END-lohkot

awk käsittelee syötteensä grepin ja sedin tavoin rivi kerrallaan. BEGIN- ja END-lohkoissa suoritetaan asiat, jotka on kuitenkin tarkoitus tehdä suoritusaikana vain kerran ennen ja jälkeen varsinaisen syötteen käsittelyä.

awk 'BEGIN {aluksi} lauseke1 {jokaiselle lauseke1:lle} \
        lauseke2 ... END {lopuksi}' tiedosto

Printf

Printf on awk:n funktio, jolla on mahdollista tehdä tarkempia muotoiluja tulostukselle. Se toimii samaan tapaan kuin vastaava funktio C-kielessä ja sen syntaksi on

printf "muotoilumerkkijono", muuttuja1, muuttuja2, ...

Ensimmäisenä annettava merkkijono sisältää tavallista tulostuvaa tekstiä ja voi lisäksi sisältää erikoismerkkejä, joiden paikalle sijoitetaan annettavat muuttujat sopivasti muotoiltuna. Ensimmäinen erikoismerkki käsittelee ensimmäisen parametrina annetun muuttujan, toinen toisen jne.

Erikoismerkit alkavat prosenttimerkillä jota seuraa kirjain ja mahdollisesti numeroita (jos halutaan tulostaa prosenttimerkki, on käytettävä merkintää %%). Erikoismerkkejä ovat

Merkki	Selitys
%c	Tulostaa ASCII-numeroa vastaavan merkin. Esimerkiksi printf "%c", 65 tulostaisi "A"
%d	Tulostaa kokonaisluvun
%i	Tulostaa kokonaisluvun
%e	Tulostaa luvun halutussa eksponenttimuodossa. Esimerkiksi printf "%4.3e", 1950 tulostaisi "1.950e+03" (4 merkitsevää numeroa ja eksponenttina 3)
%f	Tulostaa desimaaliluvun
%g	Tulostaa luvun joko desimaali- tai eksponenttimuodossa sen mukaan, kummassa tarvitaan vähemmän merkkejä
%o	Tulostaa etumerkittömän oktaaliluvun
%s	Tulostaa merkkijonon
%x	Tulostaa etumerkittömän heksaluvun
%X	Tulostaa etumerkittömän heksaluvun käyttäen desimaaliluvuille 10-15 isoja kirjaimia

Muuttujat

Shell-muuttujia voi välittää awk:lle luettelemalla ne parametreissa. Luvun 12 tulostus:

a=12
echo '\n' | awk -v a=$a 'END {print a}'

Muuttuja	Selitys
FNR	Rivinumero tiedostossa, BEGIN-lohkossa 0.
FS	Kentän erotin, vakiona <space>.
NF	Kenttien lukumäärä rivissä, BEGIN-lohkossa määrittelemätön.
NR	Rivinumero syötteessä kokonaisuutena, BEGIN-lohkossa 0.
OFMT	Formaatti numeroille printf-komennossa, oletuksena "%.6g".
OFS	print-komennon kenttäerotin, oletuksena <space>.
ORS	print-komennon rivierotin, oletuksena <newline>.
RLENGTH	match-funktion tuloksen pituus.
RS	Rivierotin, vakiona <newline>.
RSTART	match-funktion paluuarvo, eli merkkijonon ensimmäisen merkin sijainti rivillä.

Muuttuja $0 viittaa kulloiseenkin riviin kokonaisuudessaan.

{}-lohkojen sisällä voi määritellä muuttujia C-sukuisten kielten tavoin:

awk 'BEGIN {a=2} {if (NR % a == 0) print $0; else print "---"}'

Funktiot

Funktio	Kuvaus
sub(ere, repl[, in ])	Korvaa rivin ensimmäisen eren replillä.
gsub(ere, repl[, in ])	Korvaa rivin kaikki eret repleillä.
length[([s])]	Palauttaa parametrin tai koko rivin pituuden.
match(s, ere)	Palauttaa eren alun paikan s:ssä.
split(s, a[, fs ])	Paloittelee s:n a:han. fs oletuksena FS.
substr(s, m[, n ])	-
tolower(s)	-
toupper(s)	-
close(exp)	-
getline	Siirtyy seuraavalle riville.
system(exp)	Komento awk:n ulkopuolelle.

Esimerkkejä

Tiedostoa data.txt, jonka sisältö on seuraava:

1 2 3
4 5 6
7 8 9

käsitellään seuraavanlaisen awk-ohjelman avulla:

# tämä on awk ohjelma apu.awk
# tämä begin-lohko ajetaan aluksi kerran
BEGIN {
   printf("alkutemput\n---------\n");
}
# Tässä välissä on varsinainen awk-ohjelmien 'äly'. Näitä lohkoja
# voi olla useita, ja niiden eteen voi laittaa ehdon, jolla ko. rivi ajetaan.
# Jos alla olevan lohkon alun muuttaisi $1 == 4 { niin lohko ajettaisiin
# vain riville joka alkaa numerolla 4. Ilman ehtoa se ajetaan kaikille riveille
{
 printf "[%s] [%s] [%s] ->  %d\n",$1,$2,$3,$1+$2+$3
}
# tämä end lohko ajetaan kerran lopuksi
END {
    printf("---------\nlopputemput\n");
}

Kun tiedosto data.txt syötetään ylläkuvatulle awk-ohjelmalle komennolla

awk -f apu.awk <data.txt>

on tulos seuraava:

alkutemput
----------
[1] [2] [3] ->  6
[4] [5] [6] ->  15
[7] [8] [9] ->  24
----------
lopputemput

Seuraavalla komennolla etsitään pieniä, alle 100 merkin tiedostoja /etc-hakemistosta:

ls -l /etc |awk '$5 < 100 {printf "%6s %s\n",$5,$8}'

Poimitaan ja siistitään nykyinen resoluutio xrandr-komennon tulosteesta:

xrandr -q | awk 'NR==2 {sub(/\+.*\+.*/,"",$3; print $3}'

Muuta

awk:n on sanottu joskus olevan "write only language", ja sitä se onkin jos yrittää saada todella monimutkaisesta awk-ohjelmasta selkoa. Omat ohjelmat kannattaa tehdä siten, että kirjoittaa ja testaa ohjelman rivi kerrallaan. awk on parhaimmillaan lyhyissä muutaman rivin ohjelmissa.

awk-ohjelmissa ei ole yleensä mitään rajoitusta käsiteltävien tiedostojen koolle, koska niitä käsitellään vain riveinä ja syöttö/tulostus putkina/virtoina. Awk-ohjelmat pystyvät käsittelemään varsin helposti hyvinkin suuria syöttö/tulostustiedostoja (satoja megatavuja).

Aiheesta muualla

• Awk-artikkeli unix.se-wikissä (ruotsiksi), josta tämä artikkeli on osittain käännetty. Lisätietoja.
• awk-opas
• Gawk-opas
• Havainnollistavia yksirivisiä