文本行处理–awk

awk 也是一个非常棒的数据处理工具!相较于 sed 常常作用于一整个行的处理, awk 则比较倾向于一行当中分成数个『字段』来处理。因此,awk 相当的适合处理小型的数据数据处理呢!awk 通常运作的模式是这样的:

工作原理

awk ‘BEGIN{ commands } pattern{ commands } END{ commands }’
第一步:执行BEGIN{ commands }语句块中的语句;
第二步:从文件或标准输入(stdin)读取一行,然后执行pattern{ commands }语句块,它逐行扫描文件,从第一行到最后一行重复这个过程,直到文件全部被读取完毕。
第三步:当读至输入流末尾时,执行END{ commands }语句块。

[/crayon]
输出:

[root@www ~]# awk ‘条件类型1{动作1} 条件类型2{动作2} …’ filename[/crayon]
awk 后面接两个单引号并加上大括号 {} 来设定想要对数据进行的处理动作。 awk 可以处理后续接的档案,也可以读取来自前个指令的 standard output 。 但如前面说的, awk 主要是处理『每一行的字段内的数据』,而默认的『字段的分隔符为 “空格键” 或 “[tab]键” 』!举例来说,我们用 last 可以将登入者的数据取出来,结果如下所示:

若我想要取出账号与登入者的 IP ,且账号与 IP 之间以 [tab] 隔开,则会变成这样:

上表是 awk 最常使用的动作!透过 print 的功能将字段数据列出来!字段的分隔则以空格键或 [tab] 按键来隔开。 因为不论哪一行我都要处理,因此,就不需要有 “条件类型” 的限制!我所想要的是第一栏以及第三栏, 但是,第五行的内容怪怪的~这是因为数据格式的问题啊!所以啰~使用 awk 的时候,请先确认一下你的数据当中,如果是连续性的数据,请不要有空格或 [tab] 在内,否则,就会像这个例子这样,会发生误判喔!

另外,由上面这个例子你也会知道,在每一行的每个字段都是有变量名称的,那就是 $1, $2… 等变量名称。以上面的例子来说, root 是 $1 ,因为他是第一栏嘛!至于 192.168.1.100 是第三栏, 所以他就是 $3 啦!后面以此类推~呵呵!还有个变数喔!那就是 $0 ,$0 代表『一整列资料』的意思~以上面的例子来说,第一行的 $0 代表的就是『root …. 』那一行啊! 由此可知,刚刚上面五行当中,整个 awk 的处理流程是:

  1. 读入第一行,并将第一行的资料填入 $0, $1, $2…. 等变数当中;
  2. 依据 “条件类型” 的限制,判断是否需要进行后面的 “动作”;
  3. 做完所有的动作与条件类型;
  4. 若还有后续的『行』的数据,则重复上面 1~3 的步骤,直到所有的数据都读完为止。

 

指定分隔符:
如:以逗号分割,打印2,3列
用-F指定一个或者多个

 

经过这样的步骤,你会晓得, awk 是『以行为一次处理的单位』, 而『以字段为最小的处理单位』。好了,那么 awk 怎么知道我到底这个数据有几行?有几栏呢?这就需要 awk 的内建变量的帮忙啦~
变量名称 代表意义

我们继续以上面 last -n 5 的例子来做说明,如果我想要:

列出每一行的账号(就是 $1);
列出目前处理的行数(就是 awk 内的 NR 变量)
并且说明,该行有多少字段(就是 awk 内的 NF 变量)
则可以这样:

Tips:
要注意喔,awk 后续的所有动作是以单引号『 ‘ 』括住的,由于单引号与双引号都必须是成对的, 所以, awk 的格式内容如果想要以 print 打印时,记得非变量的文字部分,包含上一小节 printf 提到的格式中,都需要使用双引号来定义出来喔!因为单引号已经是 awk 的指令固定用法了! 鸟哥的图示

这样可以了解 NR 与 NF 的差别了吧?好了,底下来谈一谈所谓的 “条件类型” 了吧!
awk 的逻辑运算字符
既然有需要用到 “条件” 的类别,自然就需要一些逻辑运算啰~例如底下这些:

运算单元 代表意义

值得注意的是那个『 == 』的符号,因为:

逻辑运算上面亦即所谓的大于、小于、等于等判断式上面,习惯上是以『 == 』来表示;
如果是直接给予一个值,例如变量设定时,就直接使用 = 而已。
好了,我们实际来运用一下逻辑判断吧!举例来说,在 /etc/passwd 当中是以冒号 “:” 来作为字段的分隔, 该档案中第一字段为账号,第三字段则是 UID。那假设我要查阅,第三栏小于 10 以下的数据,并且仅列出账号与第三栏, 那么可以这样做:

有趣吧!不过,怎么第一行没有正确的显示出来呢?这是因为我们读入第一行的时候,那些变数 $1, $2… 默认还是以空格键为分隔的,所以虽然我们定义了 FS=”:” 了, 但是却仅能在第二行后才开始生效。那么怎么办呢?我们可以预先设定 awk 的变量啊! 利用 BEGIN 这个关键词喔!这样做:

很有趣吧!而除了 BEGIN 之外,我们还有 END 呢!另外,如果要用 awk 来进行『计算功能』呢?以底下的例子来看, 假设我有一个薪资数据表档名为 pay.txt ,内容是这样的:

如何帮我计算每个人的总额呢?而且我还想要格式化输出喔!我们可以这样考虑:

第一行只是说明,所以第一行不要进行加总 (NR==1 时处理);
第二行以后就会有加总的情况出现 (NR>=2 以后处理)

上面的例子有几个重要事项应该要先说明的:

删除第一列:

awk 的指令间隔:所有 awk 的动作,亦即在 {} 内的动作,如果有需要多个指令辅助时,可利用分号『;』间隔, 或者直接以 [Enter] 按键来隔开每个指令,例如上面的范例中,鸟哥共按了三次 [enter] 喔!
逻辑运算当中,如果是『等于』的情况,则务必使用两个等号『==』!
格式化输出时,在 printf 的格式设定当中,务必加上 \n ,才能进行分行!
与 bash shell 的变量不同,在 awk 当中,变量可以直接使用,不需加上 $ 符号。
利用 awk 这个玩意儿,就可以帮我们处理很多日常工作了呢!真是好用的很~ 此外, awk 的输出格式当中,常常会以 printf 来辅助,所以, 最好你对 printf 也稍微熟悉一下比较好啦!另外, awk 的动作内 {} 也是支持 if (条件) 的喔! 举例来说,上面的指令可以修订成为这样:

你可以仔细的比对一下上面两个输入有啥不同~从中去了解两种语法吧!我个人是比较倾向于使用第一种语法, 因为会比较有统一性啊! ^_^

除此之外, awk 还可以帮我们进行循环计算喔!

实战训练

1.去掉行首位的空格

2.求和

2.1行求和

test.txt数据:

[/crayon]
命令行:

[/crayon]
结果文件:

[/crayon]
注解:
NR代表行
所有的的动作在{}完成
如果有需要多个指令辅助时,可利用分号『;』间隔, 或者直接以 [Enter] 按键来隔开每个指令

2.2 列累计求和

[/crayon]

2.3 统计文件的行数

[/crayon]

3写入到文件

[/crayon]
test4.txt

[/crayon]

4 搜索

:显示文本文件mydoc匹配(含有)字符串”sun”的所有行。

[/crayon]

5 分割

[/crayon]
//制表符分隔输出多字段

[/crayon]

6 两个文件根据列名合并

test1.txt

[/crayon]
test2.txt

[/crayon]
test3.txt

[/crayon]
代码详解:
首先通过BEGIN{FS=OFS=”\t”}定义了文件输入和输出的分隔符均为tab;
其中NR为awk开始执行程序后所读取的数据行数,而FNR与NR功用类似,但是每打开一个新文件后,FNR便从0重新累计;
NR==FNR 对应的是第一个文件,然后补货变量名
NR>FNR 这个时候处理的时第二个文件了,然后判断输出

合并的信息

[/crayon]

7.提取相同名字中,某一个值最小的行

8.提取vcf文件中给定bed区间的点

9.将VCF中相同的位置的点给分文件处理

9.提取vcf中chrom和pos相同的行

10.根据染色体号来分割vcf

11.提取gencode.v23.annotation.gtf的基因信息

这里一定要注意print后面的逗号要是不加的话,OFS就不起作用了

OFS = “\t” 如果是单引号的话,也不会起作用

12.提取flat中的snp位置信息

代码实现:

这里有如下几个问题需要解决:
1.判断是否包含某个字符

2.控制换行

3.分割数据

4.去掉单引号’

5./替换位,

6.A/C/G/T去和替换为A C,G

7.去掉空格

sub匹配第一次出现的符合模式的字符串,相当于 sed ‘s//’   。
gsub匹配所有的符合模式的字符串,相当于 sed ‘s//g’   。

 

再配上bash脚本,就是完美罗

13. 指定的snps来提取vcf中对应的行

 

讨论:

注意awk在处理最后一列的时候会带有符号,小心

 

参考资料:
鸟哥私房菜 http://linux.vbird.org/linux_basic/0330regularex.php#awk
http://man.linuxde.net/awk
欧易生物
http://ama2000.iteye.com/blog/1328090

 

发表评论

电子邮件地址不会被公开。 必填项已用*标注