利用 AWK 的数值计算功能提升工作效率
转自IBM Developerworks
Awk 是一种优秀的文本样式扫描和处理工具。本文侧重介绍了 awk 在数值计算方面的运用，并通过几个实际工作中的例子，阐述了如何利用 awk 的计算功能来提高我们的工作效率。
Awk 是一种优秀的文本样式扫描和处理工具。 Awk 与 sed 和 grep 有些相似， 但功能比后者强不少。 awk 提供的功能包括样式载入， 流控制，数学运算符，进程控制以及许多内置的变量和函数等。 借助于这些功能， 我们可以很方便地利用 awk 对各种文件 （如试验产生的数据文件，数据库文件等） 进行处理。 本文介绍了 awk 在数值计算方面的运用， 并通过几个实际的例子， 阐述了如何利用 awk 的计算功能来提高我们的工作效率。
Awk 基本的运算符，数学函数以及简单的运算实例
Awk 支持不少常见的运算符， 如 + （加），- （减）， * （乘）， / （除）， ^ 或 ** （乘方）， % （取模） 等等。 此外， awk 也提供了一些常用的数学函数, 比如 sin(x), cos(x), exp(x), log(x), sqrt(x), rand()。 使用这些运算符和函数可以直接进行一些简单的运算：
上面的计算也可以用一个脚本文件 calc.awk 来完成：
执行 awk -f calc.awk 19 7 可以得到和清单 1 中一样的计算结果。 这里选项 -f 允许 awk 调用并执行程序文件 calc.awk； 最后的 19 和 7 是输入， 分别对应于文件中的 $1 和 $2。
现在我们利用 awk 来完成一些稍微复杂的计算。 我们首先用 awk 来计算 Fibonacci 数列，相应的 awk 程序 Fib.awk 见清单3：
function fibo(n) {
if(n<=1) return 1;
return (fibo(n-2) + fibo(n-1));
}
BEGIN {
n = (ARGV[1] < 1) ? 1 : ARGV[1];
printf("%d\n", fibo(n));
exit;
}
|
计算时使用命令 awk -f Fib.awk n。 这里的输入 n 是整数。 另外只要把上面程序中的函数fibo(n) 稍微改一下， 就可以用来进行阶乘的运算， 修改后的代码如下：
function factorial(n) {
if(n<=1) return 1;
return (n*factorial(n-1));
}
BEGIN {
n = (ARGV[1] < 1) ? 1 : ARGV[1];
printf("%d\n", factorial(n));
exit;
}
|
我们再来看一个求平方根的例子。 尽管 awk 提供了计算平方根的函数， 但我们也可以通过自己写程序来实现， 相应的算法如清单 5 所示； 清单 6 则给出了一个具体的例子： 求数字 3.7 的平方根：
清单 5. 求平方根的算法
BEGIN {
a = 3.7;
x = a;
while((x**2-a)**2 > 1e-12) {
x = (x + a/x)/2;
}
print x
}
|
如果仅仅从事单纯的数值计算， 恐怕 awk 不是我们最好的选择， 毕竟 awk 是为了方便文本处理而设计的。 不过如果数值计算和文本有密切关系的话， 比方说计算之前要先处理文本中的数据 （如查找，提取数据）， 这时 awk 的优势就会充分显示出来。 而这样的情况在工作中往往是经常碰到的。 我们来看一个实际的例子。 假定我们要比较某些运行在 Linux 集群上的并行程序的效率， 一个可行的方法是估算这些程序运行所需的时间。 这些程序运行的时间通常比较长， 可以从 10 几个小时到一个多星期。 注意到程序在运行中会不断地生成数据文件， 而 Linux 系统会纪录下每个数据文件被创建 （如果以前不存在） 或修改（如果以前存在） 的时间， 这样就可以通过计算两个文件的时间差来估计并行程序的效率。 我们知道 Linux 提供的 stat 命令可以用来获取某个文件的各种属性， 比如对数据文件 simu_space_1.dat 使用命令 stat simu_space_1.dat 会有如下的输出：
清单 7. 命令 stat simu_space_1.dat 的输出
File: "simu_space_1.dat" Size: 237928 Blocks: 480 IO Block: 4096 regular Datei Device: 801h/2049d Inode: 2768915 Links: 1 Access: (0644/-rw-r--r--) Uid: ( 1000/ nst) Gid: ( 1000/ nst) Access: 2008-11-14 10:56:05.000000000 +0100 Modify: 2008-11-13 23:26:44.000000000 +0100 Change: 2008-11-13 23:26:44.000000000 +0100 |
以上输出包含了关键字 ’Modify’ 的一行中纪录下了文件被修改的时间。 所以原则上说只要对两个文件分别使用 stat 命令， 得到它们的修改时间， 就可以计算出它们之间的时间差。 如果计算的次数很少的话， 这个工作当然可以手工完成。 不过要频繁计算的话就很费时间了， 而且出错的几率也会变大。 这种情况下我们可以求助 awk， 让它来自动完成这个计算工作， 为此我们创建了下面的脚本 time_df.awk：
BEGIN {
n = 0;
d1 = 0;
s1 = 0;
FS = ":|-| *";
}
{
for(i=1; i<=NF; i++)
{
if($i~/Modify/)
{
n = n + 1;
d = $(i+4);
h = $(i+5);
m = $(i+6);
s = $(i+7);
d1 = d1 + ((-1)**n)*d*24*3600;
s1 = s1 + ((-1)**n)*(3600*h + 60*m + s);
}
}
}
END {
s1 = s1 + d1;
D = int(s1/(24*3600));
H = int((s1 - D*24*3600)/3600);
M = int((s1-D*24*3600-H*3600)/60);
S = s1 % 60;
printf("The total time required %d days, %d hours, \
%d minutes and %d seconds\n", D, H, M, S) ;
}
|
上面的代码是基于如下的考虑： 首先使用 awk 找到包含 ’Modify’ 关键字的那一行， 然后把其中有关日期和时间的数据提取出来。 由于直接对日期和时间做减法不是很方便， 所以先把日期和时间转化为一个以秒为单位的数字 （从每个月的第一天0时0分0秒算起）。 容易理解， 由两个数字相减得到的时间差也是以秒为单位的。 为了能直观显示， 输出时再把这个时间差表达为天， 小时， 分钟和秒。 要计算两个文件 simu_space_1.dat 和 simu_space_100.dat 之间的时间差，可以用下面的命令：
stat simu_space_1.dat simu_space_100.dat | awk -f time_df.awk |
先生成的文件 simu_space_1.dat （也就是时间较早一些的） 放在前面，后生成的文件simu_space_100.dat 放在后面。 如果要算另外两个文件之间的时间差, 只要换一下文件名就可以了。 借助于上面的 awk 代码我们可以快速且精确地得到任意两个数据文件的时间间隔。 需要指出的是， 上面的程序没有考虑跨月度这种情况。 也就是说， 如果第一个数据文件是在某个月的月末生成， 而第二个文件是在下个月的月初生成， 这时就不能用它来计算， 因为得到的时间是没有意义的负数。
这个例子是通过计算不同位置处的流体的通量来验证它们是否相同。 这里的通量可视为某个截面上通过的颗粒浓度， 流体的速度和截面面积的乘积。 现在的问题是浓度， 速度等参数分布在不同的数据文件中， 而这些文件是字符和数据共存的， 比如包含浓度的文件 simu_space_1.dat 有如下的格式：
清单 10. 数据文件 simu_space_1.dat 的格式
{0.436737, 0.429223, 3.000000, 1.000000, 43300806482080792.000000, 243231808.137785},
{1.296425, 0.429223, 3.000000, 1.000000, 107468809895964656.000000, 584622938.047805},
{2.128973, 0.429223, 3.000000, 1.000000, 102324821165926400.000000, 539067822.351442},
......
{19.358569, 4.875000, 3.000000, 1.000000, 257544788738191712.000000, 1460324590.999991},
{19.620925, 4.875000, 3.000000, 1.000000, 266676357086157504.000000, 1464352706.940682},
{19.875000, 4.875000, 3.000000, 1.000000, 260249342336872224.000000, 1383971975.659338},
第一步当然是从上面的文件中把某个位置上的浓度数据 （每一行左起第五个数字） 提取出来。 下面的 awk 代码是把位置 x = 0.429223 处的浓度提取出来， 并保存到一个临时文件 number.txt 中：
awk -F'{|,\t|},' '{for(i=1; i<NF; i++) {if($i~/0.429223/) print $(i+3)}}' \
simu_space_1.dat > number.txt
|
现在文件 number.txt 中有了一列浓度数据。 接着我们从其他文件中提取在同一位置处的速度和面积的数据， 然后把它们分别保存到临时文件 velocity.txt 和 area.txt 中。 然后把三个临时文件中的数据合并到另一个文件 flux.txt 中以方便 awk 的计算。 这个合并操作可以用工具 paste 来轻松完成， 代码如清单 12：
paste number.txt velocity.txt area.txt > flux.txt |
现在 flux.txt 中包含了三列数据， 分别是浓度，速度和面积。 按照前面介绍的通量计算方法, 文件 flux.txt 中每一行的三个数据要首先相乘， 然后再把所有的乘积加起来就可以得到通过那个截面的通量了， 具体的代码见清单13：
awk '{x=x+($1*$2*$3)} END {print x}' flux.txt
|
上面的代码使用了一个变量 x， 第一次执行时， x 被赋予文件 flux.txt 中第一行三个数据的乘积。 第二次执行时， 它保留了第一次计算的值并加上第二行三个数据的乘积， 以此类推， 直到达到累计的总合。 END 的作用是只显示最后的结果， 而不显示中间的累加结果。 我们可以做一个比较， 以前我们是利用其他的软件 （比如 Excel 或者 OpenOffice Calc） 来计算通量的。 这必然要涉及到导入数据， 选择相应的计算函数等一系列的操作， 而用 awk 只要一行代码！ 如果再考虑到计算之前从不同文件中提取数据的工作也是由 awk 完成的 （其实也就是几行代码）， 所以对本例而言使用 awk 节约了可观的时间。
  |
|
不应忽视 awk 的数值计算功能， 它能完成从简单到比较复杂的数值运算。 尤其当计算过程中涉及到数据文件的处理， 这时使用 awk 往往会很方便。 因为 awk 本身有很强的文本处理功能， 它可以轻松地把数据从文本中分离出来， 然后再进行相应的计算。 本文的实例说明了如果能灵活地使用 awk 的这些功能， 有可能会显著地提升我们的工作效率。
