Question

我正在整理一些数据以提取到Hive中。问题是，我的历史数据已被覆盖，因此我需要在文本文件中包含文件名，以便可以处理在后续文件中已更新的重复行。

我选择执行此操作的方法是使用awk将文件名添加到每个文件，然后在提取到Hive之后，可以使用HQL过滤掉我不赞成使用的行。

这是我的示例数据（制表符分隔）：

animal  legs    eyes
hippo   4       2
spider  8       8
crab    8       2
mite    6       0
bird    2       2

我已将其命名为long_name_20180901.txt

我想出了如何从this post添加新列：

awk '{print FILENAME (NF?"\t":"") $0}' long_name_20180901.txt

结果为：

long_name_20180901.txt  animal  legs    eyes
long_name_20180901.txt  hippo   4       2
long_name_20180901.txt  spider  8       8
long_name_20180901.txt  crab    8       2
long_name_20180901.txt  mite    6       0
long_name_20180901.txt  bird    2       2

但是，作为一个初学者，我不知道如何将该命令扩展为：

使列名（第一行）类似于“ file_name”
在awk中实施正则表达式以仅提取我需要的文件名部分，然后处理其余部分。我真的只想要"long_name_(.{8,}).txt"（捕获组中的东西。

目标输出为：

file  animal  legs    eyes
20180901  spider  8       8
20180901  crab    8       2
20180901  mite    6       0
20180901  bird    2       2

谢谢您的时间！！我是awk的新手。

Answer 1

您可以使用BEGIN来设置“文件”，然后将其重置为其余部分使用文件名。

awk 'BEGIN{f="file\t"} NF{print f $0; if (f=="file\t") {l=split(FILENAME, a, /[_.]/); f=a[l-1]"\t"};}' long_name_20180901.txt

Answer 2

这将处理一个或多个输入文件：

awk -v OFS='\t' '
    NR==1 { print "file", $0 }
    FNR==1 { n=split(FILENAME,t,/[_.]/); fname=t[n-1]; next }
    { print fname, $0 }
' *.txt

使用awk在列

2 个答案: