Modo Slurp no awk?

Ferramentas como sed, awkou perl -nprocessar sua uma entrada registro de cada vez, registros sendo linhas por padrão.

Alguns, como awkcom RS, GNU sedcom -zou perlcom -0ooopossível alterar o tipo de registro, selecionando um separador de registro diferente.

perl -npode fazer da entrada inteira (cada arquivo individual quando passados ​​vários arquivos) um único registro com a -0777opção (ou -0seguida por qualquer número octal maior que 0377, sendo 777 o canônico). É assim que eles chamam de modo slurp .

Pode algo semelhante ser feito com awk's RSou qualquer outro mecanismo? Onde awkprocessa cada conteúdo do arquivo como um todo em ordem, em oposição a cada linha de cada arquivo?

Você pode adotar diferentes abordagens, dependendo se awktrata RScomo um único caractere (como as awkimplementações tradicionais fazem) ou como uma expressão regular (como gawkou mawkfaz). Arquivos vazios também são difíceis de serem considerados, pois awktendem a ignorá-los.

gawk, mawkou outras awkimplementações em que RSpode ser uma regexp.

Nessas implementações (por favor mawk, cuidado com o fato de que alguns sistemas operacionais, como o Debian, enviam uma versão muito antiga em vez da moderna mantida por @ThomasDickey ), se RScontiver um único caractere, o separador de registros é esse caractere ou awkentra no modo de parágrafo quando RSestá vazio, ou trata RScomo uma expressão regular de outra forma.

A solução é usar uma expressão regular que não possa ser correspondida. Alguns vêm à mente como x^ou $x( xantes do início ou depois do fim). No entanto, alguns (particularmente com gawk) são mais caros que outros. Até agora, descobri que ^$é o mais eficiente. Ele pode corresponder apenas a uma entrada vazia, mas não haveria nada contra o que corresponder.

Para que possamos fazer:

awk -v RS='^$' '{printf "%s: <%s>\n", FILENAME, $0}' file1 file2...

Uma ressalva, porém, é que ele pula arquivos vazios (ao contrário de perl -0777 -n). Isso pode ser resolvido com o GNU awk, colocando o código em uma ENDFILEdeclaração. Mas também precisamos redefinir $0em uma instrução BEGINFILE, pois, caso contrário, não seria redefinida após o processamento de um arquivo vazio:

gawk -v RS='^$' '
   BEGINFILE{$0 = ""}
   ENDFILE{printf "%s: <%s>\n", FILENAME, $0}' file1 file2...

awkimplementações tradicionais , POSIXawk

Nesses, RSé apenas um caractere, eles não têm BEGINFILE/ ENDFILE, eles não têm a RTvariável, geralmente também não podem processar o caractere NUL.

Você pensaria que o uso RS='\0'poderia funcionar, pois, de qualquer maneira, eles não podem processar a entrada que contém o byte NUL, mas não, que RS='\0'nas implementações tradicionais é tratado como RS=, que é o modo de parágrafo.

Uma solução pode ser usar um caractere improvável de ser encontrado na entrada como \1. Nos códigos de idioma de caracteres com vários bytes, é possível fazer com que seja muito improvável que sequências de bytes ocorram, pois formam caracteres que não são atribuídos ou não como caracteres $'\U10FFFE'nos códigos de idioma UTF-8. Não é realmente infalível e você também tem um problema com arquivos vazios.

Outra solução pode ser armazenar toda a entrada em uma variável e processá-la na instrução END no final. Isso significa que você pode processar apenas um arquivo por vez:

awk '{content = content $0 RS}
     END{$0 = content
       printf "%s: <%s>\n", FILENAME, $0
     }' file

Isso é o equivalente a sed's:

sed '
  :1
  $!{
   N;b1
  }
  ...' file1

Outro problema com essa abordagem é que, se o arquivo não estava terminando com um caractere de nova linha (e não estava vazio), um ainda é adicionado arbitrariamente $0no final (com gawk, você contornaria isso usando em RTvez de RSno código acima). Uma vantagem é que você possui um registro do número de linhas no arquivo em NR/ FNR.