2005年02月16日

AWK の勉強のためとの建前で 第２回東方最萌トーナメント の集計スクリプトを書いてみた．スレッドの番号を入れると wget でページを落としてきて解析して gnuplot でグラフを描いてくれる．あほだ...

ファイルを置いといてみる．

AWK 使いはじめて一時間ほどはまっていたのが，直前の正規表現でマッチした部分の取り出し方だった．ruby やら perl やらではそれらは簡単にできるのだが（特別な変数に入る），awk はそこまではできないらしい．結局 awk で正規表現でマッチした部分を取り出すには，match と substr あたりを使う必要があるとの結論に達した．

例えば， hh:mm 見たいな時間の表示を取り出すには

	pos=match($0, /[0-9][0-9]:[0-9][0-9]/) 
	if(!pos) next
	timestr = substr($0, pos, RLENGTH) 

などのようにする．

match で正規表現をマッチさせて，返り値でその開始位置を取得し(RSTART変数にも入る)，長さが RLENGTH に入っているのでその分を substr で取り出すという手順になる．マッチに失敗したときは 0 が帰るらしい．コード中ではマッチしなかった場合に next を呼ぶようにしている．

awk のプログラム（スクリプト）は

pattern { action }
pattern { action }
....

という構造にjなっている．pattern は /regex/ などのような正規表現や，BEGIN, END のような全ての最初と最後を意味するものがある．

入力はレコードセパレータ（RSという変数に入っている）によってレコードに分割され，全ての pattern に対してマッチが取られ，マッチしたときにはその pattern の action が実行される．デフォルトではフィールドセパレータは改行コードなので，一行が一レコードになってる．

例えば，外部から TARGET という変数に何か値を渡してあげて，"Start of TARGET" から "End of TARGET"までのレコードを出力するようなのは以下のとおり．

BEGIN {
	FLAG=0
	STARTPat="Start of "TARGET
	ENDPat="End of "TARGET
}
//{
	if($0 == ENDPat){
		FLAG = 0
	}
	if(FLAG) print
	if($0 == STARTPat){
		FLAG = 1
	}
}

BEGIN で最初に変数を初期化しておいて，その後ろの //{...} で全てのレコードに対してマッチして処理をしている．これをファイル(split.awk)に保存して

awk -f split.awk -v TARGET=1st < in.dat

とかやると， in.dat の中の "Start of 1st" から "End of 1st"までの行が取り出せる．

ちなみにレコードはフィールドセパレータ（FSという変数）で分割されて，各フィールドは $i (i=1,2,...,NF) で取り出せる．$0 はレコード全体．出力は print で，引数を省略すると print $0 の意味になる．

詳しくはマニュアル参照．