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 samassa AT&T:n tutkimuslaboratoriossa (Bell Labs). Samassa paikassa aloitettiin myös Unixin kehittäminen.

Awk:n käyttö on viime aikoina vähentynyt ja sen 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

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 monimutkaiset 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

Esimerkejä

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}'

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-opas Unix.se-wikissä (ruotsiksi). Tämä ohje perustuu osittain kyseiseen Unix.sen ohjeeseen (lisensoitu Creative Commons nimi mainittava -lisenssillä)
• Awk-opas
• Gawk-opas