Início / unix / Perguntas / 761031
Accepted
Harald
Asked: 2023-11-09 17:49:13 +0800 CST

O awk pode ser informado para contar o comprimento da sequência de caracteres em vez do comprimento da sequência de bytes para formatos printf '%10s'

  • 772

Experimente isso

echo 'Ü X' | awk '{printf("|% 2s|% 2s|\n", $1, $2)}'

para uma saída de |Ü| X|. Obviamente awkconta o comprimento de bytes, não o comprimento de caracteres do Ü, então a contagem é 2 e nenhum preenchimento à esquerda com espaço é necessário, como é para o X.

É possível executar awkem um modo que conta o comprimento dos caracteres do %<count>s printfpadrão, não o comprimento dos bytes?

A mesma pergunta existe bashpara printf: https://superuser.com/a/1599024/345087 . Espero que a resposta não seja a mesma: "passagem para libc printf" :-/

EDITAR em vez de comentar para melhor visibilidade: eu não estava usando gawk, mas qualquer versão que o Ubuntu 22.04 tivesse instalado para mim. Não me ocorreu que nada gawkpudesse ser instalado atualmente :-/ Obrigado pelas respostas detalhadas.

awk

1 respostas

  1. Best Answer

    GNU awk (e possivelmente algumas outras variantes do awk):

    $ echo 'Ü X' | LC_ALL='en_US.UTF-8' awk '{printf "|% 2s|% 2s|\n", $1, $2}'
| Ü| X|

    Bash 3.0+ (e possivelmente alguns outros shells, possivelmente com ajustes):

    $ LC_ALL='en_US.UTF-8' a='Ü' b='X'
$ printf '|%*s%s|%*s%s|\n' "$(( 2 - ${#a} ))" '' "$a" "$(( 2 - ${#b} ))" '' "$b"
| Ü| X|

    Observe que a versão bash deve ser definida LC_ALLno shell que está sendo executado ${#a}, não apenas no printfambiente s como está acontecendo com a awkversão, e então se você não quiser LC_ALLalterar o shell de chamada, você precisa salvá-lo/restaurá-lo, ou seja o="$LC_ALL"; LC_ALL='en_US.UTF-8' ... "$b"; LC_ALL="$o", ou faça tudo em um subshell, ou seja ( LC_ALL='en_US.UTF-8' ... "$b" ), .

    Explicações:

    Da documentação do GNU awk :

    -b
--characters-as-bytes

    Faz com que o gawk trate todos os dados de entrada como caracteres de byte único. Além disso, toda saída escrita com print ou printf é tratada como caracteres de byte único.

    Normalmente, o gawk segue o padrão POSIX e tenta processar seus dados de entrada de acordo com a localidade atual (veja Onde você está faz a diferença ). Muitas vezes, isso pode envolver a conversão de caracteres multibyte em caracteres largos (internamente) e pode causar problemas ou confusão se os dados de entrada não contiverem caracteres multibyte válidos. Esta opção é uma maneira fácil de dizer ao cara: “Tire as mãos dos meus dados!”

    Usar o GNU awk 5.2.2 para definir um código de idioma apropriado tratará caracteres multibyte como caracteres únicos de vários bytes:

    $ echo 'Ü X' | LC_ALL='en_US.UTF-8' awk '{printf "|% 2s|% 2s|\n", $1, $2}'
| Ü| X|

    enquanto usar uma localidade diferente, ou usar -b, tratará todas as entradas como caracteres de byte único:

    $ echo 'Ü X' | LC_ALL='C' awk '{printf "|% 2s|% 2s|\n", $1, $2}'
|Ü| X|

$ echo 'Ü X' | awk -b '{printf "|% 2s|% 2s|\n", $1, $2}'
|Ü| X|

    Quando -bé usado, o resultado é independente da sua localidade:

    $ echo 'Ü X' | LC_ALL='en_US.UTF-8' awk -b '{printf "|% 2s|% 2s|\n", $1, $2}'
|Ü| X|

$ echo 'Ü X' | LC_ALL='C' awk -b '{printf "|% 2s|% 2s|\n", $1, $2}'
|Ü| X|

    Como @StéphaneChazelas mencionou em um comentário , consulte Por que o printf está "diminuindo" o trema? para o comportamento relacionado do printfshell, onde a resposta de @Léa Gris sugere que isso obterá a contagem de caracteres e, portanto, a saída formatada, correta no bash 3.0 e posterior:

    $ a='Ü' b='X' LC_ALL='en_US.UTF-8' 
$ printf '|%*s%s|%*s%s|\n' "$(( 2 - ${#a} ))" '' "$a" "$(( 2 - ${#b} ))" '' "$b"
| Ü| X|

    e essa funcionalidade também é afetada pela localidade:

    $ LC_ALL='C'
$ printf "|%*s%s|%*s%s|\n" "$(( 2 - ${#a} ))" '' "$a" "$(( 2 - ${#b} ))" '' "$b"
|Ü| X|

    Consulte também length-of-string-in-bash para obter mais informações sobre como obter o comprimento dos caracteres no bash.

    • 5

relate perguntas