使用shell+awk完成Hive查询结果格式化输出

好久不写，一方面是工作原因，有些东西没发直接发，另外的也是习惯给丢了，内因所致。今天是个好日子，走起！

btw，实际上这种格式化输出应该不只限于某一种需求，差不多是通用的。

需求：

--基本的：当前Hive查询结果存在数据与表头无法对齐的情况，不便于监控人员直接查看，或者导出到excel中，需要提供一个脚本，将查询结果处理下，便于后续的查看或者操作。

--额外的：A、每次查询出来的结果字段数、字段长度不固定；B、每个数据文件中可能包含不只一套查询结果，即存在多个schema。

想法：

对于基本需求而言，无非就是将数据文件用格式化输出整理一下，直接想到了awk。

对于补充的情况，A：需要实现一种机制，基于数据文件，动态地确定格式化输出的参数：字段个数，以及每个格式化字符串的长度参数；B：实现对数据文件根据字段数切割成多段，然后对于每段数据套用前面的脚本处理。

做法：

基本需求：

1、指定字段分隔符为“\t”

2、将每个字段按照指定长度格式化输出

BEGIN{
FS="\t"
}
{
printf "%-"len"s\t",$i
}

额外需求A：

需要把代码写成“活”的，适应各种不同的数据文件，如前面所说，实际上就是在执行格式化输出之前，将数据文件扫描一遍，用一个数组记录下文件中每个字段的max length，然后将这个max length作为该文件内格式化输出的额定宽度。

1、初始化一个fieldLen数组

2、扫描整个文件，更新fieldLen数组

3、将fieldLen数组，用于格式化输出

BEGIN{
FS="\t"
}
NR==1{
for (i=1;i<=NF;i++)
        fieldLen[i]=0
}
{

for (i=1;i<=NF;i++)
{
        len=length($i)
        
        if (len>fieldLen[i])
        {
                fieldLen[i]=len        
        }
}

}

END{
for (i=1;i<=NF;i++)
{
        printf "%-s",fieldLen[i]
        if (i<NF)
                printf "\t"
        else
                printf "\n"

}
}

这里要注意的是，fieldLen的初始化要在NR==1的时候，在BEGIN里面，NF为0

额外需求B：

这里需要一些临时变量，标记分割出来的数据块分支：suffix标记不同的分支，fields当前处理数据块的字段数

处理过程根据前面的临时变量，完成数据文件分割。此处有一个局限在于，对于文件内的多个数据分块，只能处理“AAABBBCCC”这样，同一类数据放在一起的，脚本会分成3块；而对于“AABCABBCC”这种的，则会分割成6块。

BEGIN{
FS="\t"            
suffix=0        
filename=ARGV[1]    
fields=0        
}
{
if (NF!=fields)
{
    fields=NF
    suffix+=1
}
print $0>filename"."suffix
}
END{
print suffix        
}

基本的思路，就如上面所示。

但是，完成上面的部分，可能不到一半的工作量，接下来，说几个比较麻烦的问题：

A、汉字的问题

这个也是对不齐的主要原因。

在putty里面显示的时候，一个汉字占2个字宽，一个ASCII字符占一个字宽。但是，在调用awk内置的length()函数时，一个汉字跟一个ASCII字符长度是一样的。所以为了在putty上看到的内容是对齐的，需要在格式化输出的时候，对fieldLen的值进行修正。

例子如：

如上，计算得到的fieldLen为4，但实际上需要8；但是在printf的时候，为了对齐，从“abs”到“泰国香蕉”printf的len值是不一样的，根据字段情况，动态决定

所以需要修正的有2处：

1、在计算fieldLen的时候，根据汉字情况，将length($i)获取值加上一个变量

for (i=1;i<=NF;i++)
{
    len=length($i)
        for (j=1;j<=length($i);j++)
        if (substr($i,j,1) > "\177")
            len+=1 
        if (len>fieldLen[i])
        {
                fieldLen[i]=len        
        }
}

 

2、在printf格式化输出的时候，根据汉字情况，给fieldLen[i]减去一个变量

for (i=1;i<=NF;i++)
{

    len=0
    for (j=1;j<=length($i);j++)
        if (substr($i,j,1) > "\177")
            len+=1
    printf "%-'"fieldLen[i]-len"'s",$i
        
    if (i<NF)
        printf "\t"
    else
        printf "\n"
}

原理比较简单了，就是前面提到的，汉字比ASCII字符多占一个位置，所以在获取fiedlLen的时候，要加上汉字多占的部分；在格式化输出的时候，汉字要减去多占的部分。

这里用到了一种awk内识别汉字的方法，参考了网上一个同学的帖子：

for (j=1;j<=length($i);j++)
        if (substr($i,j,1) > "\177")
             #TODO

原理就是挨个字符进行检测，“\177”是8进制的127，超过127的都算汉字。

B、多文件输入的问题

按照前面的思路，先要扫描一遍，将数据文件的字段信息存下来，然后再引入字段信息和数据文件，做最终的处理。

这里有一个问题是：是否有必要将字段信息保存成单独文件？从awk的原理来看，基本上是一遍扫描，当第一遍扫描完，之后，游标已经到了文件末尾。这样看不太方便在一个awk处理流程中完成对同一个文件的2次扫描。即使有方法，或许也比较复杂，2遍就两遍吧。

awk多文件输入比较简单，但是我们这里的需求是先读取第一个文件的内容，保存到fieldLen数组；然后利用fieldLen数组，处理第二个文件。这里用到的是NR，FNR这两个变量的作用域不同而完成的：NR服务于整个awk处理，FNR服务于某个文件。

NR==FNR{
for (i=1;i<=NF;i++)
    fieldLen[i]=$i
}
NR!=FNR{
      #TODO      
}

 

C、printf变量做字宽的问题

前面一直说，根据数据文件，动态地确定字段宽度，所以到最后一步，格式化输出的时候，%s在指定宽度的时候，需要用一个变量指定宽度。这是一个awk语言了解是否透彻的问题，花费了不短时间才搞定，直接贴代码吧。

printf "%-'"fieldLen[i]-len"'s",$i

D、效率的问题

在脚本执行过程中，出于了处理方便或者逻辑明确的考虑，存在不少的写文件操作。特做如下的测试：

文件	记录数	size	处理时间
a.dat	642	240K	<1s
b.dat	500000	30M	35s
c.dat	1000000	168M	3min42s
combine.dat	1500642	198M	4min9s

从实际角度来说，这种格式化的处理，通常数据量不会特别大，同时对实时性要求不那么高。所以够用就行，暂时可以接受。后续在做改进吧。

Over！

最后附上代码

#!/bin/sh

if [ -f $1.txt ];then            
    rm $1.txt
fi

branch=`awk -f split.awk $1`        

for ((i=1;i<=$branch;i++));do        

current=$1.$i
                    
awk '
BEGIN{
FS="\t"
}
NR==1{
for (i=1;i<=NF;i++)
        fieldLen[i]=0
}
{

for (i=1;i<=NF;i++)
{
    len=length($i)
        for (j=1;j<=length($i);j++)
        if (substr($i,j,1) > "\177")
            len+=1 
        if (len>fieldLen[i])
        {
                fieldLen[i]=len        
        }
}

}

END{
for (i=1;i<=NF;i++)
{
        printf "%-s",fieldLen[i]
    if (i<NF)
                printf "\t"
        else
                printf "\n"

}
}
' $current > $current.schema


awk -f execFormat.awk $current.schema $current > $current.txt

rm $current
rm $current.schema

done

for ((i=1;i<=$branch;i++));do

current=$1.$i.txt

cat $current >> $1.txt            

rm $current

done

#!/usr/bin/awk
BEGIN{
FS="\t"        
suffix=0        
filename=ARGV[1]    
fields=0        
}
{
if (NF!=fields)
{
    fields=NF
    suffix+=1
}
print $0>filename"."suffix
}
END{
print suffix        
}

#!/usr/bin/awk
BEGIN{
FS="\t" 
}
NR==FNR{
for (i=1;i<=NF;i++)
    fieldLen[i]=$i
}
NR!=FNR{

for (i=1;i<=NF;i++)
{
    len=0
    for (j=1;j<=length($i);j++)
        if (substr($i,j,1) > "\177")
            len+=1
    printf "%-'"fieldLen[i]-len"'s",$i
        
    if (i<NF)
        printf "\t"
    else
        printf "\n"
}
}