Linux-awk数组

大家好，又见面了，我是你们的朋友全栈君。

闲话： Linux 从来没有系统的学过，AWK 这个高端的东西更没有系统全面的学过，知道真正项目中遇到的时候才会想着系统的学习一下，今天先写一下AWK的数组使用，网上有很多这样的文章，但是很多地方都没有讲的很细，所以看了半天还是一知半解，今天来细细的分析一下（本人忘心大，所以每次都的写的很细，以便以后能看懂，大牛或者觉得繁琐的请略过。）

先简单说明一下awk吧

1. 官方解释AWK 

awk ：适用程序，一种unix工具
就是一个强大的文本分析工具，相对于grep查找、sed的编辑，awk在对数据分析并生成报告的时候，显得尤为强大。简单来说awk就是把文件逐行的读入，以空格为默认分隔符将每行切片，切开的部分再进行各种处理。

用法：

1） awk [ -F separator] ‘{pattern action}’  fileName

或者2）awk [ -F separator] ‘ pattern {action}’  fileName

2. 个人理解

像一个for循环，逐行读入文件内容(或者管道传输过来的值) ,然后使用分隔符将每行切片（用户可以指定自己想使用的分隔符）

3. AWK数组

因为awk中数组的下标可以是数字和字母，数组的下标通常被称为关键字(key)。和Java等数组不一样，Java等数组下表只能是数字。其实这里的数组相当于Java等语言中的Map。 AWK 的下标是关键字。值和关键字都存储在内部的一张针对key/value应用hash的表格里。由于hash不是顺序存储，因此在显示数组内容时会发现，它们并不是按照你预料的顺序显示出来的。数组和变量一样，都是在使用时自动创建的，awk也同样会自动判断其存储的是数字还是字符串。一般而言，awk中的数组用来从记录中收集信息，可以用于计算总和、统计单词以及跟踪模板被匹配的次数等等。 说了一大堆，如果你没看太懂，你只要记住把awk数组看成是Map就可以

eg:  a[1] =  5 a[2] = 6 其实相当于 map.key = 1 map.value = 5 map.key=2 map.value=6 这也就说是为什么下表可以是数字或者字母。

4. 举例

1)[root@admin home]# cat awk.txt
aaa

bbb

ccc

aaa

bbb

aaa

统计一下awk.txt文件中每个字符串名出现的次数：cat awk.txt | awk ‘{a[$1]++} END { for (i in a) {print i,a[i]}}’

a[$1]++ ： 就是awk  数组的形式，  a 是数组名称， [$1]做为key . 现在我们需要计算每个字符串出现的次数，所以需要把扫描到的相同的字符串名分别存储起来 ，就是键值对的数组,这里的键—对应的就是字符串，如aaa，值 — 对应的就是aaa出现的次数。数组a中的下标$1代表的是第一个域中列名，如aaa。awk开始逐行扫描,相当于for循环，每扫到一个相同的字符串，对应的hash数组里的值就+1，如a[aaa]++，直到扫到文件的结尾。（注：数组的默认值为空，如果要做++操作了，就会把里的值变成0）

awk数组不需要定义，可以直接赋值。 

2） 有文件file.log内容如下：

http://www.sohu.com/aaa

http://www.sina.com/111

http://www.sohu.com/bbb

http://www.sina.com/222

http://www.sohu.com/ccc

http://www.163.com/zzz

http://www.sohu.com/ddd

要统每个域名出现次数：

http://www.sohu.com 4

http://www.sina.com 2

http://www.163.com 1

答案是：  awk -F / ‘{a[$3]++} END{for(i in a){print i,a[i] | “sort -r -k 2”}}’ file.log;

-F参数是制定awk分隔符，这里制定的是 /,所以每行被分成4个部分。

sort 的-r是降序，-k是按照第几组字符排序，从1开始。

a可以理解成key-value形式的对象，域名做key 个数做value。

在end动作里完成对结果a的打印

3） awk统计ip访问次数（进阶）
现在有一个文件，数据量大概在200多万条记录，想用shell的awk做统计，文件的格式如下
#关键字#URL#IP地址#
key1|url1|192.80.80.1

key1|url1|192.80.80.1

key1|url2|192.80.80.2
key1|url1|192.80.80.2
key2|url1|192.80.80.1
key2|url2|192.80.80.2
key2|url1|192.80.80.2
现在想要统计的结果是:查看同一个关键字和URL总的访问的次数，以及多少个不同的IP,输出到一个文件中

awk -F”|” ‘{a[$1″ “$2]++;b[$1” “$2” “$3]++}(b[$1” “$2” “$3]==1){++c[$1” “$2]}END{ for (i in a) print i,c[i],a[i]}’ file

看起来很复杂，其实分开理解还算简单

有三个值  a[$1″ “$2] 很好理解key url为关键字的访问次数。 就是理解为就是key url为关键字的 然后 a[$1” “$2]++ 可以理解为如果以$1″ “$2为关键字的。如果存在了就增加1，如果还不存在，就设值为1

那算多少个不同的IP怎么算呢？ 单纯的想，做法应该是如果  #关键字#URL#IP地址#  是第一次出现， key url为关键字的访问IP肯定要+1 ，但是如果不是第一次出现，那此IP之前已经计算过了。就不用计算了。翻译为代码就是     (b[$1″ “$2” “$3]==1){++c[$1” “$2]}      

再看一下：处理方法就是： 

依次加载一行（for 循环/awk）  如果以$1″ “$2为关键字的。如果存在了就增加1，如果还不存在，就设值为1    a[$1” “$2]++

如果  #关键字#URL#IP地址#  是第一次出现， key url为关键字的访问IP肯定要+1 ，但是如果不是第一次出现，什么都不需要做  {b[$1″ “$2” “$3]++}(b[$1” “$2” “$3]==1){++c[$1” “$2]}

现在再看是不是就好理解了,最后结果为：

key2 url2 1 1
key1 url1 2 3
key2 url1 2 2
key1 url2 1 1