如何把 awk 指令碼移植到 Python

2019-12-08 09:53:00

將一個 awk 指令碼移植到 Python 主要在於程式碼風格而不是轉譯。

指令碼是解決問題的有效方法,而 awk 是編寫指令碼的出色語言。它特別擅長於簡單的文字處理,它可以帶你完成組態檔的某些複雜重寫或目錄中檔名的重新格式化。

何時從 awk 轉向 Python

但是在某些方面,awk 的限制開始顯現出來。它沒有將檔案分解為模組的真正概念,它缺乏品質錯誤報告,並且缺少了現在被認為是程式語言工作原理的其他內容。當程式語言的這些豐富功能有助於維護關鍵指令碼時,移植將是一個不錯的選擇。

我最喜歡的完美移植 awk 的現代程式語言是 Python。

在將 awk 指令碼移植到 Python 之前,通常值得考慮一下其原始使用場景。例如,由於 awk 的局限性,通常從 Bash 指令碼呼叫 awk 程式碼,其中包括一些對 sedsort 之類的其它命令列常見工具的呼叫。 最好將所有內容轉換為一個一致的 Python 程式。有時,指令碼會做出過於寬泛的假設,例如,即使實際上只執行一個檔案,該程式碼也可能允許任意數量的檔案。

在仔細考慮了上下文並確定了要用 Python 替代的東西之後,該編寫程式碼了。

標準 awk 到 Python 功能

以下 Python 功能是有用的,需要記住:

with open(some_file_name) as fpin:    for line in fpin:        pass # do something with line

此程式碼將逐行迴圈遍歷檔案並處理這些行。

如果要存取行號(相當於 awk 的 NR),則可以使用以下程式碼:

with open(some_file_name) as fpin:    for nr, line in enumerate(fpin):        pass # do something with line

在 Python 中實現多檔案的 awk 式行為

如果你需要能夠遍歷任意數量的檔案同時保持行數的持續計數(類似 awk 的 FNR),則此迴圈可以做到這一點:

def awk_like_lines(list_of_file_names):    def _all_lines():        for filename in list_of_file_names:            with open(filename) as fpin:                yield from fpin    yield from enumerate(_all_lines())

此語法使用 Python 的生成器yield from 來構建疊代器,該疊代器將遍歷所有行並保持一個持久計數。

如果你需要同時使用 FNRNR,這是一個更複雜的迴圈:

def awk_like_lines(list_of_file_names):    def _all_lines():        for filename in list_of_file_names:            with open(filename) as fpin:                yield from enumerate(fpin)    for nr, (fnr, line) in _all_lines:        yield nr, fnr, line

更複雜的 FNR、NR 和行數的 awk 行為

如果 FNRNR 和行數這三個你全都需要,仍然會有一些問題。如果確實如此,則使用三元組(其中兩個專案是數位)會導致混淆。命名引數可使該程式碼更易於閱讀,因此最好使用 dataclass

import [email protected](frozen=True)class AwkLikeLine:    content: str    fnr: int    nr: intdef awk_like_lines(list_of_file_names):    def _all_lines():        for filename in list_of_file_names:            with open(filename) as fpin:                yield from enumerate(fpin)    for nr, (fnr, line) in _all_lines:        yield AwkLikeLine(nr=nr, fnr=fnr, line=line)

你可能想知道,為什麼不一直用這種方法呢?使用其它方式的的原因是總用這種方法太複雜了。如果你的目標是把一個通用庫更容易地從 awk 移植到 Python,請考慮這樣做。但是編寫一個可以使你確切地了解特定情況所需的迴圈的方法通常更容易實現,也更容易理解(因而易於維護)。

理解 awk 欄位

一旦有了與一行相對應的字串,如果要轉換 awk 程式,則通常需要將其分解為欄位。Python 有幾種方法可以做到這一點。這將把行按任意數量的連續空格拆分,返回一個字串列表:

line.split()

如果需要另一個欄位分隔符,比如以 : 分隔行,則需要 rstrip 方法來刪除最後一個換行符:

line.rstrip("\n").split(":")

完成以下操作後,列表 parts 將存有分解的字串:

parts = line.rstrip("\n").split(":")

這種拆分非常適合用來處理引數,但是我們處於偏差一個的錯誤場景中。現在 parts[0] 將對應於 awk 的 $1parts[1] 將對應於 awk 的 $2,依此類推。之所以偏差一個,是因為 awk 計數“欄位”從 1 開始,而 Python 從 0 開始計數。在 awk 中,$0 是整個行 —— 等同於 line.rstrip("\n"),而 awk 的 NF(欄位數)更容易以 len(parts) 的形式得到。

移植 awk 欄位到 Python

例如,讓我們將這個單行程式碼“如何使用 awk 從檔案中刪除重複行”轉換為 Python。

awk 中的原始程式碼是:

awk '!visited[$0]++' your_file > deduplicated_file

“真實的” Python 轉換將是:

import collectionsimport sysvisited = collections.defaultdict(int)for line in open("your_file"):    did_visit = visited[line]    visited[line] += 1    if not did_visit:        sys.stdout.write(line)

但是,Python 比 awk 具有更多的資料結構。與其計數存取次數(除了知道是否看到一行,我們不使用它),為什麼不記錄存取的行呢?

import sysvisited = set()for line in open("your_file"):    if line in visited:        continue    visited.add(line)    sys.stdout.write(line)

編寫 Python 化的 awk 程式碼

Python 社群提倡編寫 Python 化的程式碼,這意味著它要遵循公認的程式碼風格。更加 Python 化的方法將區分唯一性和輸入/輸出的關注點。此更改將使對程式碼進行單元測試更加容易:

def unique_generator(things):    visited = set()    for thing in things:        if thing in visited:            continue        visited.add(things)        yield thingimport sys   for line in unique_generator(open("your_file")):    sys.stdout.write(line)

將所有邏輯置於輸入/輸出程式碼之外,可以更好地分離問題,並提高程式碼的可用性和可測試性。

結論:Python 可能是一個不錯的選擇

將 awk 指令碼移植到 Python 時,通常是在考慮適當的 Python 程式碼風格時重新實現核心需求,而不是按條件/操作進行笨拙的音譯。考慮原始上下文並產生高品質的 Python 解決方案。雖然有時候使用 awk 的 Bash 單行程式碼可以完成這項工作,但 Python 編碼是通往更易於維護的程式碼的途徑。

另外,如果你正在編寫 awk 指令碼,我相信您也可以學習 Python!如果你有任何疑問,請告訴我。