活跃了 40 年的 AWK 现在怎么样了？

来源：CSDN

本文约 3431字 ，建议阅读 7分钟 。

本文介绍AWK是一种文本处理语言，距今已经历了40多年的发展。它支持POSIX标准，有几种符合标准的实现，在2020年居然仍然有着大量拥趸，无论是用于简单的文本处理任务还是用于处理“大数据”。

以下为译文：

恰逢最近GNU Awk 5.1发布，我们正好给了我们一个理由，通览AWK前景，GNU Awk已经达到的成果，以及如今AWK用在哪里了。

 

这门语言在1977年诞生于贝尔实验室。其名称来自其作者的名字缩写：Alfred Aho，Peter Weinberger和Brian Kernighan。AWK是核心的Unix工具，旨在做一件事：过滤和转换文本行。它通常用于解析日志文件中的字段，转换其他工具的输出以及计算单词和字段的出现次数。

 

Aho 简要总结了 AWK的功能：

AWK从输入中按行读取。每行数据都会和程序中的每个模式进行匹配，并为每个匹配的模式执行关联的动作。

AWK程序通常是直接从命令行执行的单行代码。例如，要从某个假定的Web服务器日志中计算GET请求的平均响应时间，可以输入如下代码：

  $ awk '/GET/ {total += $6; n++} END {print total/n}' server.log    0.0186667

这意味着：对于与正则表达式/GET/匹配的所有行 ，将其响应时间（第六字段，即$6）加起来并统计行数；最后，打印出响应时间的算术平均值。

各种AWK版本

当前使用的AWK有三个主要版本，并且它们都符合POSIX标准（至少对于绝大多数用例而言，足够接近）。第一个是经典awk，它是Aho，Weinberger和Kernighan在他们的《 AWK编程语言》一书中描述的AWK版本。有时称为“新AWK”（nawk）或“一个真正的AWK”，现在托管在GitHub上。这是许多基于BSD的系统（包括macOS）上预先安装的版本（尽管macOS随附的版本已过时，需要升级）。

 

第二个是GNU Awk（gawk），它是迄今为止功能最强大，维护最活跃的版本。Gawk通常预先安装在Linux系统上，并且通常是默认的awk。使用Homebrew可以很容易地在macOS上安装，Gawk还提供Windows二进制文件。自1994年以来，Arnold Robbins一直是gawk的主要维护者，并继续推广该语言（他还为经典的awk版本做出了许多修复）。Gawk具有awk或POSIX标准中未提供的许多功能，包括新函数，联网功能，C扩展API，事件探查器和调试器以及最近的名称空间。

 

第三个通用版本是mawk，由Michael Brennan编写。它是Ubuntu和Debian Linux上的默认awk，并且仍然是AWK的最快版本，具有字节码编译器和更节省内存的值表示形式。（从4.0开始，Gawk还使用了字节码编译器，因此它现在已经接近mawk的速度。）

如果你想将AWK用于单行和基本文本处理，则上述任何方法都是不错的选择。如果你打算将其用于较大的脚本或程序，Gawk的功能使其成为明智的选择。

 

AWK的其他几种实现也具有不同的成熟度和维护级别。值得注意的有这些：嵌入式Linux环境中使用的尺寸优化的BusyBox版本，支持运行时访问Java语言的Java版以及我自己用Go编写的GoAWK（与POSIX兼容的版本）。三个主要的AWK和BusyBox版本都用C编写。

自4.0以来的变 化

自LWN 涵盖 gawk 4.0发行以来，已经过去了将近10年。你可能会说“自2011年以来发生了很多变化”，但事实是AWK世界中的进展相对缓慢。我将在此介绍自4.0以来的重大功能，更多详细信息，你可以阅读完整的4.x和5.x 更改日志。Gawk 5.1.0已于一个月前(4月14日)发布。

 

面向用户的最大功能是在5.0中引入名称空间。大多数现代语言都有一些名称空间的概念，这可以使大型项目和库的发布更加容易，而不会造成名称冲突。Gawk 5.0以向后兼容的方式添加名称空间，从而允许开发人员创建库，例如此玩具数学库：

  
  # area.awk    @namespace "area"

    BEGIN {        pi = 3.14159  # namespaced "constant"    }

    function circle(radius) {        return pi*radius*radius

要引用库中的变量或函数，请使用 namespaceC :: name语法，类似于C ++：

 $ gawk -f area.awk -e 'BEGIN {print area :: pi，area :: circle（10）}'    3.14159 314.159

Robbins 认为 AWK缺少名称空间是它没有成为被广泛使用的编程语言的主要原因之一，而且gawk 5.0中的此功能可能有助于解决该问题。Robbins认为阻碍AWK的另一个主要问题是缺少良好的C扩展接口。Gawk的动态扩展界面在4.1中进行了彻底改进。它现在已具备定义良好的扩展API，并允许包装现有的C和C ++库，以便可以从AWK轻松调用它们。

 

以下代码片段出自用户手册中C代码包装器的示例，它的功能是用文件名和stat（）系统调用的值填充AWK数组（字符串作为键的哈希表）：

 /*清空数组*/    clear_array（array）;

    /*填写数组*/    array_set（array，“name”，make_const_string（name，strlen（name），＆tmp））;    array_set_numeric（array，“dev”，sbuf-> st_dev）;    array_set_numeric（array，“ino”，sbuf-> st_ino）;    array_set_numeric（array，“mode”，sbuf-> st_mode）;

4.2版本中的另一个更改（并在5.0中继续）是对源代码漂亮打印机的全面检查。Gawk的漂亮打印机可以将其用作标准化的AWK代码格式化程序，类似于Go的go fmt工具和Python的 Black格式化程序。例如，要漂亮地打印上面提到的 area.awk文件，使用如下命令：

 $ gawk --pretty-print -f area.awk

结果为以下输出：
 @namespace "area"
    BEGIN {        pi = 3.14159    # namespaced "constant"    }
    function circle(radius){        return (pi * radius * radius)

你可能会质疑工具的选择：为什么“ BEGIN { ”没有像函数一样在“{ ”前加入换行符？（事实证明AWK语法不允许这样做。）为什么在函数前有两个空行并在return表达式前后加上括号？但是至少它是一致的，并且可能有助于避免代码风格的争论。

 

Gawk允许数量有限的运行时类型检查，并通过在4.2中添加typeof（）函数进行扩展 。根据输入类型，typeof（）返回一个字符串常量，例如“ string ”，“ number ”或“ array ”。这些功能对于递归遍历嵌套数组的每个项目非常重要（这是POSIX AWK无法做到的）。

 

在4.2版中，gawk还使用@/foo/语法将正则表达式常量作为一等数据类型 。以前，你无法将正则表达式常量存储在变量中。使用typeof（@/foo/）判断其数据类型将返回字符串“ regexp ”。gawk 4.2在Linux系统的性能方面进行了重大改进，它将尽量使用fwrite_unlocked（）来提升性能。由于gawk是单线程的，因此可以使用无锁的stdio函数，从而使原始输出速度提高了7-18％（使用原始输出的命令是这样的gawk'{print}'）。

 

《GNU Awk用户指南》是一份详尽的参考资料，并在4.1版和5.x版中进行了实质性更新，包括新示例，摘要部分和练习，以及一些主要的副本编辑。

 

最后（也是最不重要的一点），我发现4.0版本中一个有趣的细微变化是对sub（）和 gsub（）中反斜杠的还原处理。Robbins写道：

sub（）和gsub（）中反斜杠的默认处理已恢复为3.1。我认为破坏兼容性是很愚蠢的，即使是为了符合标准。

该sub 和gsub函数是核心的正则表达式替换功能，甚至一个涉及复杂处理反斜杠的小“修复”就能破坏已有的代码：

当4.0.0版发布时，gawk维护者将POSIX规则设置为默认规则，打破了十多年的向后兼容性。不用说，这是个坏主意，从4.0.1版开始，gawk恢复了其历史行为，并且仅在给出--posix时才遵循POSIX规则。

Robbins进行最初的更新时可能判断不足，但是很明显他很重视向后兼容性。尤其是对于像gawk这样的流行工具，有时继续打破规范比改变某些东西的工作方式更好。

AWK是否仍然有意义？

AWK是否仍然有用这个问题，就像在问空气是否有用一样：你可能看不到它，但周围无处不在。许多Linux管理员和DevOps工程师使用它来转换数据或通过日志文件诊断问题。几乎所有基于Unix的计算机上都安装了AWK版本。除了临时使用外，许多大型开源项目还在其构建或文档工具中使用AWK。仅举几个例子：Linux内核在x86工具中使用它来检查 和重新格式化 objdump文件，Neovim使用它来生成文档，而FFmpeg使用它来进行构建和测试。

 

即使人们不再想看到AWK，AWK构建脚本也很难被杀死：2018年，LWN 写了一篇文章，是关于GCC贡献者想要用Python替换AWK脚本来生成其选项解析代码。这个建议在当时有一些支持，但显然没有人主动要求做实际的移植，现在AWK脚本依然存在。

Robbins在他的2018年论文中主张将AWK（特别是gawk）用作“系统编程语言”，在这种情况下，其含义是用于编写较大的工具和程序的语言。他概述了他认为尚未流行的原因，但Kernighan“ 并非100％确信 ”缺乏扩展机制是AWK不被大型程序广泛使用的主要原因。他建议，这可能是由于缺乏对访问系统调用等内容的内置支持。但是，这些都没有阻止几个人开发更大的工具：Robbins自己编写的TexiWeb Jr.识字编程工具（1300行AWK），Werner Stoop的d.awk工具用于从源码中备注的MarkDown生成文档， Translate Shell是一个6000行AWK工具，可为基于云的翻译API提供相当强大的命令行界面。

 

过去几年中，有几位开发人员写过关于在其“大数据”工具包中使用AWK的信息，它比重型分布式计算系统（如Spark和Hadoop）简单得多（有时更快）。Nick Strayer 撰写了 有关使用AWK和R解析多个内核中25 TB数据的文章。其他大数据示例包括Adam Drake 写的标题颇为诱人的文章：“命令行工具可以比Hadoop集群快235倍”，以及Brendan O'Connor的“  不要使用MAWK,AWK是最快，最优雅的大数据处理语言”。

 

总而言之，在临时文本修改，构建工具，“系统编程”和大数据处理之间（更不用说文本模式的第一人称射击游戏），AWK似乎在2020年还活得很好。

原文链接：

https://lwn.net/SubscriberLink/820829/5bf9bf8bb9d6f2bf/

——END——