awk实现类sql的join操作

awk、grep和sed被称为linux三剑客，事实上grep和awk我在日常工作中也常用到(sed用的比较少)，可能有些人对awk了解比较少，我先大概介绍下。 很多人以为awk只是一个文本处理工具，实际上他们也是这么用的。但事实上它其实是一门语言，拥有数学运算符、进程控制语句，甚至针对于文本处理封装了很多内置变量和函数，这造就了它强大的文本处理能力。 如果grep只能做到数据的筛选，那awk还能做到数据的处理、分析甚至生成报表，毕竟它是一门完整的编程语言。

因为这篇文章不是awk的入门教程，如果想入门的话我推荐阮一峰老师的awk 入门教程 和 左耳朵耗子的AWK 简明教程 。

回到我今天的正题，今天我给大家看个我常使用awk的场景。因为做后端开发，经常在做数据分析的时候会有这样的问题，1.面对几十万条的数据，需要筛选出几百几千个特定key的数据。2.对这几百万条数据，针对其中的id字段补齐其他字段。

这时候可能有精通excel的同学跳出来说 “就这，so easy，vlookup就搞定！” ，事实上，excel确实可以解决问题，但有点重，甚至有些时候我们在服务器上还用不了excel。还有啥其他方法？针对我说的这俩场景，其实仔细想一下，是不是sql中俩表join就能解决问题。实际上你并不需要真正把文件灌到数据库里，只需要用awk一条命令就能解决。

我们把问题具像下，假设有两个文件，score.txt存着学号+成绩的数据，另外一个name.txt存着学号+姓名的数据，你现在想知道每个人都烤了多少分。

score.txt

id score 
1 87
2 67
3 68
4 75
5 90
6 100
7 0

name.txt

id name 
1 张三
2 李四
3 王五
4 赵二
5 刘能
6 熊大

你想得到一份包含学号 姓名和成绩的数据，就像下面这样。

id score name 
1 87 张三
2 67 李四
3 68 王五
4 75 赵二
5 90 刘能
6 100 熊大
7 0

用awk生成这样的数据有多简单？只需要一行代码，你可以保存name.txt和score.txt，然后执行下面命令尝试下。

awk 'ARGV[1]==FILENAME {map[$1]=$2} ARGV[2]==FILENAME {print $0, map[$1]}' name.txt score.txt  

简简单单就实现了name.txt和score.txt在id之上的right join。

解释下上面的代码，ARGV和FILENAME是awk内置的变量，ARGV里存放在awk所接受的参数列表，像上面 ARGV[1]就是"name.txt"，ARGV[2]就是"score.txt"。awk是面向行的，所以针对每一行数据都会执行ARGV[1]==FILENAME {map[$1]=$2} ARGV[2]==FILENAME {print $0, map[$1]}，每一行数据都会属于某个文件，FILENAME标识出当前行所属的文件名，像在括号{}前的ARGV[1]==FILENAME 你可以看做是其他语法中的条件判断，你可以认为它就是省略了if，但和if的功能是一致的。

所以上述代码的含义就是 如果当前行是输入name.txt的，就把学号和姓名存在map里(awk里的变量不用预先声明)。 如果当前行是属于score.txt，就从map里把姓名找出来，然后把数据输出。

awk 'ARGV[1]==FILENAME {map[$1]=$2} ARGV[2]==FILENAME {print $0, map[$1]}' name.txt score.txt  

针对于不同的数据，只需要调整下$后面的具体值，可以实现用不同的列作为key来做join，其实这里并不比sql的join复杂，但在linux服务器上却很方便。上网中我只是实现了right join，如果在print $0, map[$1]前加上if (length(map[$1]) > 0) 就可以实现inner join。left join的话也只需要把文件名换一下。

知道了这些，awk实现多文件的交集、差集等操作都不在话下。另外不要忘记了awk其实也是一门编程语言，所以它也可以实现很多很复杂的逻辑，你可以把代码在某个文件里然后用-f参数调起，比如我之前老师用awk做一些简单的统计工作，比如计算均值、总和…… awk简直堪称后端工程师提效利器。