shell编程基础(七): 处理文件命令sed与awk

一、sed（以行为单位处理文件）

　　sed意为流编辑器（Stream Editor），在Shell脚本和Makefile中作为过滤器使用非常普遍，也就是把前一个程序的输出引入sed的输入，经过一系列编辑命令转换为另一种格式输出。sed和vi都源于早期UNIX的ed工具，所以很多sed命令和vi的末行命令是相同的。

0、sed命令格式

sed命令行的基本格式为：

sed option 'script' file1 file2 ...
sed option -f scriptfile file1 file2 ...

选项含义：

--version            　　显示sed版本。
--help               　　显示帮助文档。
-n,--quiet,--silent  　　静默输出，默认情况下，sed程序在所有的脚本指令执行完毕后，将自动打印模式空间中的内容，这些选项可以屏蔽自动打印。
-e script            　　允许多个脚本指令被执行。
-f script-file,
--file=script-file   　　从文件中读取脚本指令，对编写自动脚本程序来说很棒！
-i,--in-place        　　直接修改源文件，经过脚本指令处理后的内容将被输出至源文件（源文件被修改）慎用！
-l N, --line-length=N 　 该选项指定l指令可以输出的行长度，l指令用于输出非打印字符。
--posix             　　 禁用GNU sed扩展功能。
-r, --regexp-extended  　在脚本指令中使用扩展正则表达式
-s, --separate      　　 默认情况下，sed将把命令行指定的多个文件名作为一个长的连续的输入流。而GNU sed则允许把他们当作单独的文件，这样如正则表达式则不进行跨文件匹配。
-u, --unbuffered    　 　最低限度的缓存输入与输出。

以上仅是sed程序本身的选项功能说明，至于具体的脚本指令（即对文件内容做的操作）后面我们会详细描述，这里就简单介绍几个脚本指令操作作为sed程序的例子。

a,append        追加
i,insert        插入
d,delete        删除
s,substitution  替换

如：在输出testfile内容的第二行后添加"mmzs"：

[root@VM_0_5_centos test]# cat testfile
mmzs
mmzsblog
mmzsit
[root@VM_0_5_centos test]#  sed "2a mmzs" ./testfile
mmzs
mmzsblog
mmzs
mmzsit
//删除2-5行后，输出删除后的结果
[root@VM_0_5_centos test]# sed "2,5d" testfile
mmzs

sed处理的文件既可以由标准输入重定向得到，也可以当命令行参数传入，命令行参数可以一次传入多个文件，sed会依次处理。

sed的编辑命令可以直接当命令行参数传入，也可以写成一个脚本文件然后用-f参数指定，编辑命令的格式为：

/pattern/action
注：其中pattern是正则表达式，action是编辑操作

sed程序一行一行读出待处理文件，如果某一行与pattern匹配，则执行相应的action，如果一条命令没有pattern而只有action，这个action将作用于待处理文件的每一行。

1、常用的sed命令

/pattern/p  打印匹配pattern的行
/pattern/d  删除匹配pattern的行
/pattern/s/pattern1/pattern2/   查找符合pattern的行，将该行第一个匹配pattern1的字符串替换为pattern2
/pattern/s/pattern1/pattern2/g  查找符合pattern的行，将该行所有匹配pattern1的字符串替换为pattern2

使用p命令需要注意，sed是把待处理文件的内容连同处理结果一起输出到标准输出的，因此p命令表示除了把文件内容打印出来之外还额外打印一遍匹配pattern的行。例如：

一个文件testfile的内容是：
[root@VM_0_5_centos test]# cat testfile
mmzs
mmzsblog
mmzsit
abc
123
打印其中包含abc的行
[root@VM_0_5_centos test]# sed '/abc/p' testfile
mmzs
mmzsblog
mmzsit
abc
abc
123
要想只输出处理结果，应加上-n选项，这种用法相当于grep命令
[root@VM_0_5_centos test]# sed -n '/abc/p' testfile
abc
使用d命令就不需要-n参数了，比如删除含有abc的行
[root@VM_0_5_centos test]# sed '/abc/d' testfile
mmzs
mmzsblog
mmzsit
123

注意：sed命令不会修改原文件，删除命令只表示某些行不打印输出，而不是从原文件中删去。

使用查找替换命令时，可以把匹配pattern1的字符串复制到pattern2中，例如：

[root@VM_0_5_centos test]# sed 's/bc/-&-/' testfile
mmzs
mmzsblog
mmzsit
a-bc-
123
pattern2中的&表示原文件的当前行中与pattern1相匹配的字符串
再比如：
[root@VM_0_5_centos test]# sed 's/\([a-z]\)\([a-z]\)/-\1-~\2~/' testfile
-m-~m~zs
-m-~m~zsblog
-m-~m~zsit
-a-~b~c
123
pattern2中的\1表示与pattern1的第一个()括号相匹配的内容，\2表示与pattern1的第二个()括号相匹配的内容。

注意：sed默认使用Basic正则表达式规范，如果指定了-r选项则使用Extended规范，那么()括号就不必转义了。

[root@VM_0_5_centos test]#  sed  's/yes/no/;s/mm/MM/'  ./testfile
注：使用分号隔开指令。
 
[root@VM_0_5_centos test]# sed -e 's/yes/no/' -e 's/mm/MM/' testfile
注：使用-e选项。

2、练习：

如果testfile的内容是：

<html><head><title>Hello World</title></head>
<body>Welcome to the world of mmzs!</body></html>

现在要去掉所有的HTML标签，使输出结果为：

Hello World
Welcome to the world of mmzs!

怎么做呢？如果用下面的命令：

[root@VM_0_5_centos test]# sed 's/<.*>//g' testfile

结果是两个空行，把所有字符都过滤掉了。这是因为，正则表达式中的数量限定符会匹配尽可能长的字符串，这称为贪心的(Greedy)。比如sed在处理第一行时，<.*>匹配的并不是或这样的标签，而是：

<html><head><title>Hello World</title>

这样一整行，因为这一行开头是<，中间是若干个任意字符，末尾是>。那么这条命令怎么改才对呢？答案如下：

错误：得到两个空行，匹配过多
[root@VM_0_5_centos test]# sed 's/<.*>//g' testfile
 
限定了匹配的行
[root@VM_0_5_centos test]# sed '/Hello World/s/<[/ a-z]*>//g' testfile
Hello World
<body>Welcome to the world of mmzs!</body></html>
不完美示例，因为{4,5}导致可扩展性差
[root@VM_0_5_centos test]# sed -r 's/<(\/)?[a-z]{4,5}>//g' testfile
Hello World
Welcome to the world of mmzs!
正确示例0：
[root@VM_0_5_centos test]# sed 's/<[/ a-z]*>//g' testfile
Hello World
Welcome to the world of mmzs!
正确示例1：
[root@VM_0_5_centos test]# sed 's/<[^>]*>//g' testfile
Hello World
Welcome to the world of mmzs!

注：上面代码中的红色部分表示pattern1部分的匹配规则，此处的/也不表示转义，是语法中的(有点类似分隔符的意思)

二、awk（以列为单位处理文件）

　　sed以行为单位处理文件，awk比sed强的地方在于不仅能以行为单位还能以列为单位处理文件。awk缺省的行分隔符是换行，缺省的列分隔符是连续的空格和Tab，但是行分隔符和列分隔符都可以自定义，比如/etc/passwd文件的每一行有若干个字段，字段之间以:分隔，就可以重新定义awk的列分隔符为:并以列为单位处理这个文件。awk实际上是一门很复杂的脚本语言，还有像C语言一样的分支和循环结构，但是基本用法和sed类似。

0、awk命令格式

awk命令行的基本形式为：

awk option 'script' file1 file2 ...
awk option -f scriptfile file1 file2 ...

和sed一样，awk处理的文件既可以由标准输入重定向得到，也可以当命令行参数传入，编辑命令可以直接当命令行参数传入，也可以用-f参数指定一个脚本文件，编辑命令的格式为：

/pattern/{actions}
condition{actions}
和sed类似，pattern是正则表达式，actions是一系列操作

解释：awk程序一行一行读出待处理文件，如果某一行与pattern匹配，或者满足condition条件，则执行相应的actions，如果一条awk命令只有actions部分，则actions作用于待处理文件的每一行。

1、常用命令

比如文件testfile的内容表示某商店(产品-价格-销量)：

[root@VM_0_5_centos test]# cat testfile
ProductA  30 13
ProductB  76 46
ProductC  55 32

打印每一行的第二列:

[root@VM_0_5_centos test]# awk '{print $2;}' testfile
30
76
55

自动变量$1、$2分别表示第一列、第二列等，类似于Shell脚本的位置参数，而$0表示整个当前行。再比如，如果某种产品的库存量低于75则在行末标注需要订货：

[root@VM_0_5_centos test]# awk '$2<75 {printf "%s\t%s\n", $0, "REORDER";} $2>=75 {print $0;}' testfile
ProductA  30 13    REORDER
ProductB  76 46
ProductC  55 32    REORDER

可见awk也有和C语言非常相似的printf函数。awk命令的condition部分还可以是两个特殊的condition－BEGIN和END，对于每个待处理文件，BEGIN后面的actions在处理整个文件之前执行一次，END后面的actions在整个文件处理完之后执行一次。

awk命令可以像C语言一样使用变量（但不需要定义变量），比如统计一个文件中的空行数：

[root@VM_0_5_centos test]# cat testfile
ProductA  30 13
ProductB  76 46
 
ProductC  55 32
[root@VM_0_5_centos test]# awk '/^ *$/ {x=x+1;} END {print x;}' testfile
2

就像Shell的环境变量一样，有些awk变量是预定义的有特殊含义的：

awk常用的内建变量：

FILENAME   当前输入文件的文件名，该变量是只读的
NR  　　　　当前行的行号，该变量是只读的，R代表record
NF  　　　　当前行所拥有的列数，该变量是只读的，F代表field
OFS 　　　　输出格式的列分隔符，缺省是空格
FS  　　　　输入文件的列分融符，缺省是连续的空格和Tab
ORS 　　　　输出格式的行分隔符，缺省是换行符
RS  　　　　输入文件的行分隔符，缺省是换行符

例如打印系统中的用户帐号列表：

[root@VM_0_5_centos test]# awk 'BEGIN {FS=":"} {print $1;}' /etc/passwd
root
bin
daemon