使用 grep/sed/awk 提取字符串

原文: http://curryhuang.com/2015/07/18/extract-string-by-grep-sed-awk/

最近需要对日志进行分析，顺便学习了一下以前一直都没弄得太明白的awk和sed。

任务描述

日志是一个 tsv 文件，这里以 sample.log 为例，每一行大致长成下面这样，需要查看某个 api 的最长 10 次查询时间。根据记录格式，需要提取最后一个字段 ts= 之后的字符串，然后进行排序，排序和求 top 比较容易，sort -nr | head -n 10 即可，比较麻烦的是从字符串中提取数字。

[2015-07-18 11:00:01,807]\t[service_name]\t[INFO]\t[172.0.0.1]\t[api/mock_api1]\t[ts=239]

解决方案

Google 了一番以后，发现 grep/sed/awk 均可以，下面分别说一下每一种方案。

以下方案均在CentOS6上测试通过

grep

grep "api/mock_api1" sample.log |\
grep -Eo '\[ts=[0-9]+\]' |\
grep -Eo '[0-9]+'

grep 参数说明：
E 使用正则表达式
o 只返回匹配的部分

分两部匹配，第一步提取出[ts=xxxx]，第二步提取出数字

sed

grep "api/mock_api1" sample.log |\
grep -Eo '\[ts=[0-9]+\]' |\
sed -r 's/\[ts=([0-9]+)\]/\1/g'

sed参数说明：
r 使用正则表达式

使用 sed 也需要通过 grep 先匹配出最后一个字段，再使用 sed 提取数字部分，\1表示正则表达式中的分组1

gawk

grep "api/mock_api1" sample.log |\
gawk -F'\t' 'match($6, /\[ts=([0-9]+)\]/, arr) { print arr[1] }'

gawk 参数说明：
F 指定分隔符，这里指定为tab
match 的函数参数分别为：待匹配字符串，模式，匹配后的字符串分组

awk 比较强大，可以直接提取出字段信息，这里使用的是 gawk，gawk 兼容 awk 语法，经测试，同样的语法 awk 无法满足需求，应该是 gawk 和 awk 实现有细微区别。

总结

如果仅仅是提取一个字段信息，三个工具都可以满足需求，相比起来，awk的功能更强大，完成字符串提取，grep 和 sed 的能力更多依赖正则表达式，如果需要同时处理一行记录中的多个字段，比如找出访问请求最长的 10 个 ip，grep 和 sed 就需要很复杂的正则表达式去匹配。