(манипулирование файлами данных, выборка и обработка текста )

Преподаватель:

Петриков Владимир Дмитриевич

AWK (GAWK)

Инструмент прикладного программиста: строковый процессор AWK

The AWK Programming Language, авторы Aho, Weinberger и Kernighan известны, как родоначальники языка C и операционной системы UNIX.

Gawk - это GNU реализация AWK mawk, … - новый AWK

много реализаций - разные ОС: UNIX, WIN, MAC

ПРИМЕР 1

Разбор файлов задачного сервера2006 -2008. Имеется Набор каталогов со сданными решениями и набор файлов с протоколами результатов

Необходимы файлы – по именам студентов по номерам задач

Значительная обычная доля работы программиста - преобразовании текстовых файлов: выделении из них определенных частей, преобразовании одних строк в другие, дописывании какой-либо информации, простейшие вычисления с данными, извлекаемыми из этих файлов и т.д., и т.п.

Трудоемкость - тысячи строк текстаНеунифицируемость - информация не структурирована

Для эффективной работы в этой ''серой'' области давно предложен и с успехом применяется строковый процессор awk.

ПРИМЕР 2

Преобразование Спискадля разных задач.

Для своих действий awk предоставляет в распоряжение программиста развитый язык программирования, напоминающий популярный язык программирования C.

Входной язык процессора awk является в определенном смысле ''упрощенным'' C ,предоставляя удобный операционный синтаксис для строковых операций, автоматическое преобразование строка-число, автоматический лексический разбор входного потока и т.п.

Почти C

Одна из самых замечательных особенностей Perl состоит в том, что он представляет собой семантическое надмножество (как минимум) языка awk.

С практической точки зрения это значит, что если вы можете сделать что-либо в awk, вы сможете сделать это и в Perl.

Бонус

Если программа короткая, проще всего включить ее в команду выполнения awk: Linux: awk 'program' input-file1 input-file2 ... WIN: gawk “program” input-file1 input-file2 ...

Если программа длинная, обычно удобнее записать ее в файл : gawk -f program-file input-file1 input-file2 ...

Запуск awk-программы

нет input-file1 ввод со стандартного устройства ввода( win: клавиатура , CTRL-Z )

Технология выполнения заданий

ОС: Windows

Файловый менеджер: Total CommanderЗадание : в отдельном каталоге

Zapusk.bat gawk -f p2.awk spisok.txt > new.txt

Набор файлов:

Запуск примера из командного окна текущего каталога:набрать в TotalCommander внизу - cmdЗапуск: >zapusk

Редактируем файл p2.awk

Файл - именованная последовательность логических

записей, хранящихся на внешнем носителе.

A   B   C   E           EOF  

Следующая запись (RECORD)

Текущая позиция

Предыдущая запись

запись конца файла

Запись - набор знаков, значений; читается или записывается целиком.

AWK рассматривает входной поток данных : это записи (строки), разделенные специальными

символами (RS - RecordSeparator) - переход на новую строку ('\n').

Запись (строка) считается разделенной

на поля специальными символами (FS - FieldSeparator) - по умолчанию - символ пробела

Строка <= 256 символов.

Работа awk

поле1

FS

поле2

FS

FS

FS

        RS

$0

пробел \n

Структура awk-файлаПрограмма на языке awk состоит из пар: образец     действие.

(шаблон     действие)Каждая запись проверяется встроенным механизмом awk на соответствие заданному

образцу и если текущая запись соответствует

этому образцу, выполняется действие. , т.е. интерпретация входной информацииидёт построчно

см. Пример 3 - запуск из файла

Программа

………….ВходнойФайл………….

выполняетсямного раз

шаблон      { действие }

шаблон { действие }

чего-то нет

действие выполняется для каждой записи

шаблон { print }

вывод всей записи для каждого шаблона

Сравним примеры 3 и 3а

{ if( $0 ~ /Иванов/ ) print $0 }/Иванов/

Общее в AWK

допускается использование в

-- Поля (см.выше) для входных записей

-- Переменные (стандартные, Массивы) -- Арифметические выражения

образец     {действие}

Образец (шаблон)

-- Регулярное выражение

-- Выражение отношения

-- Комбинация образцов

-- BEGIN и END

Действие

предложения, разделенные ; или \n (новая строка)

Вывод (Печать) Присваивание Управляющая структура Встроенная функция

- начинаются с символа ``#'' и продолжаются до конца строки.

Комментарии

# Print list of word frequencies{ for (i = 1; i <= NF; i++) freq[$i]++ # массив слов

}

END { for (word in freq) printf "%s\t%d\n", word, freq[word]}

pr4pr4a

Общее в awk

Поля

строка ВВОДА состоит из полей

строка: Первоеполе Второеполе ……… $0 $1 $2 …. $100 $101

Ссылается на всю строку целиком

Запись (строка) считается разделенной на поля специальными символами (FS - FieldSeparator) - по умолчанию - символ пробела

максимально

Общее в awk

Поля

Record: Первоеполе Второеполе ……… Последнееполе $0 $1 $2 ….

Общее в awk

NR – Number of Record

номер строки

NF – Number of Fields число полей

gawk “{ print NR }” new.txt

gawk “{ print NR NF}” new.txt !!! Вывод Без пробела: NRNF

Переменные

x = 1 - число

x = “ab” - строка

y + “abc” - число

умолчание

= 0

= “”

Общее в awk

y “abc” - строка

Поля как переменные

$1 = "3" + $2

меняем значение поля

n = 5$(n+1)

вычисляемый номер поля

Общее в awk

используем значение поля

Массивы

{ x[1] = 1 x[3] = $0}END{ print x[1] print x[3]}

не объявляются

используются элементы массива, «как переменные»

индексация не числом, а полем (строкой)

# подсчёт частоты слов{ for (i = 1; i <= NF; i++) freq[$i] = freq[$i] +1 # массив «слов»}

Общее в awk

Арифметические выражения

Выражение < Операция> Выражение

Переменная (Число - Строка)Число СтрокаВстроенная функция Выражение

(константы)

+ - * / % остаток

Общее в awk

x = 1.2 - число

x = “ab” - строка

константы

строка строка

Операция склейка строк

z = “ab” “cde”

z = “abcde”

Образец (шаблон)

-- Регулярное выражение

-- Выражение отношения

-- Комбинация образцов

-- BEGIN и END

Регулярное выражение

позволяет более точно описать класс строк, которые необходимо обработать или напечатать.

Программа ( с пустым действием)     /Иванов/ напечатает из текстового файла те строки, которые содержат подстроку "Иванов" ( в том числе и "Ивановский машиностроительный завод" ).

см. Пример 3

шаблон

ИСТИНА и ЛОЖЬ в AWK

из C

ИСТИНА - любое число, отличное от 0 или любая непустая строка

ЛОЖЬ – число 0 или пустая строка “”

"0" – истина , т.к. строка не пустая

Выражение отношения

< Выражение> < Принадлежность> < Выражение> < Выражение> < Лог. Операция> < Выражение>

~ Содержится !~ Не содержится

< <= == != >= >

$0 ~ /Иванов/$1 >= "s"

n >= 5

s, t, u, v...

шаблон

в строке содержится “Иванов”

строки, начинающиеся с символа s или следующих за ним по порядку

Логические операции

< Выражение> < Лог. Операция> < Выражение>

$0 ~ /Иванов/ || $0 ~ /Петров/ n >= 5 && n<10

n = 5, 6, 7, 8, 9

шаблон

в строке содержится “Иванов” или “Петров”

&& Логическое И

|| Логическое ИЛИ

! Логическое НЕ (отрицание)

BEGIN и END

BEGIN { }

END { }

ПрограммаВходнойфайл

выполняется 1 раз

выполняется 1 раз

выполняетсямного раз =количествустрок

BEGIN { printf “СТАРТ\n” } /Иванов/ END { printf “\nФИНИШ”}

шаблон

метасимволы (шаблоны)

^ $ [ ] - + * .(точка) \

^ -- соответствует началу строки /^A/ - строки, начинающиеся на A $4 ~ /^Иванов/

$ -- соответствует концу строки. /A$/ отвечает строкам, заканчивающимся на A. $4 ~ /вна$/

шаблонРегулярное выражение /Иванов/

"^$" соответствует пустой строке.

[ ] -- множество единичных символов [AWK] соответствует множеству из трех букв A, W, K G[AWK] представляет множество строк { GA, GW, GK }

- -- задаёт диапазон символов (нет переносимости POSIX!)[a-z] соответствует символам от a до z, {a b c d … y z} $4 ~ /^[А-С]/

шаблон

+ -- многократное ( не менее одного) повторение в образце символа, предшествующего +

[1-9]00+ -- целые числа, делящиеся на 100 {100 200 …900 1000 …}

* -- также многократное, но возможно также и нулевое повторение предыдущего символа. [1-9][0-9]* -- положительные целые числа. {1 2 … 10 …100 …}

[1-9]00* -- целые числа, делящиеся на 10 {10 20 …90 100 …}

? -- однократное, но возможно также и нулевое повторение предыдущего символа.

[1-9][0-9]? -- положительные целые числа до 99 {1 2 … 10 …99}

шаблон

.(точка) -- произвольный единичный символ

.* - обозначает произвольную комбинацию символов. "13." - 131 133 134 13_ 13\n 13

\ -- отменяет специальное значение последующего символа. \$ - это символ $ \\ - это символ \

шаблон

Управляющие последовательности для символов ASCII с кодами 0 - 31

\a 0x07 BEL Звуковой сигнал Bell \b 0x08 BS Забой Back Space \f 0x0C FF Перевод бланка Form Feed

\n 0x0A LF Новая строка (перевод строки) (new line) Line Feed \r 0x0D CR Возврат каретки Caridge Return

\t 0x09 HT Табуляция (горизонтальная) \v 0x0B VT Вертикальная табуляция

\\ 0x5c \ Обратная наклонная черта \/ / Прямая наклонная черта \' 0x27 ' Одинарная кавычка (апостроф) \" 0x22 " Двойная кавычка \? 0x3F ? Вопросительный знак

Символы, используемые в разных «шаблонах»

printf("Hello Word !!! \n"); как напечатать \ “ ?

\ddd строка до трех восьмеричных цифр (0 - 377)\xdd строка шестнадцатеричных цифр (0 - FF)

Универсальный способ

Действие

предложения, разделенные ; или \n (новая строка)

Вывод (Печать) Присваивание n = 1 Управляющая структура Встроенная функция

действие

Вывод (Печать)

print - выводится вся запись + \n print $0

print $1, $2 - значения полей выводятся через пробел

print $1 “abc” - выводится конкатенация значений полей

print “” – выводится пустая строка

формат вывода – по умолчанию

действие

форматированный вывод

printf format, item1, item2, ...

функция sprintf(format, item1, item2, ...)

Управляющие операторы

if (условие) оператор [ else оператор]

while (условие) оператор

do оператор while (условие)

for (выражение1; выражение2; выражение3) оператор for (переменная in массив) оператор

break continue delete массив[индекс] delete массив exit [ выражение ] { операторы }

действие

if (если) if( условие ) действие

if( условие ) действие else действие

Анализ условия на истинность, == 0

if (x % 2 == 0) print "x is even"else print "x is odd"

действие

while (пока) while (условие ) действие

выполнение действия пока значение условия != 0проверка перед каждым выполнением

{ i = 1 while( i <= 3) { print $i i=i+1 }}

действие

do (делай )

do действие while ( условие )

{ i = 1 do { print $0 i++ } while (i <= 10)}

действие

for (для) for (инициализация; условие; приращение) действие

for (i = 1; i <= 100; i = i + 2) print i

инициализация задает инициализацию цикла while (условие) проверка перед каждой итерацией { действие

приращение часть итерации }

действие

for (для) for (переменная in массив) действие

# Пишем 1 для каждого встречного слова{ for (i = 1; i <= NF; i++) used[$i] = 1}

# Ищем количество разных слов длиннее 10 знаковEND { for (x in used) if (length(x) > 10) { num = num +1 } print num, "words longer than 10 characters"}

действие

break (прерывание) – «досрочный» выход из цикла

break

continue (продолжение) – новая итерация - выполнение нового цикла

continue

- для do, while, for

действие

Встроенные функции

Математические функции

exp() – экспонента

log() - натуральный логарифм

sqrt() - квадратный корень

int() - целая часть числа

действие

length(arg) - Функция длины arg. length - длина текущей строки

substr(s, m, n) - Возвращает подстроку строки s, начиная с позиции m, всего n символов.

index(s, t) - Возвращает начальную позицию подстроки t в строке s. (Или 0, если t в s не содержится.)

Строковые функции действие

sprintf(fmt,exp1,exp2,...) - форматированная печать (вывод) в строку, идентично PRINTF

split(s, array, sep) - Помещает поля строки s в массив array и возвращает число заполненных элементов массива. Если указан sep, то при анализе строки он понимается как разделитель.

действие