从 awk 调用 python 脚本

Question

我有一个没有大约 150k 行和两列的文件。我需要在第一个字段上运行一个 python 脚本，并将其输出保存为第三列，这样更改看起来像这样：

原始文件：

Col1  Col2 
d     2
e     4
f     6

New file:


Col1  Col2  Col3
d     2     output
e     4     output
f     6     output

我无法从 awk 内部运行脚本。

cat original.list | awk -F" " ' {`/homes/script.py $1`}'

如果可以的话，我希望将其保存为变量，并将新变量以及 $1 和 $2 打印到新文件中。

提前致谢（相关问题here）

Answer 1

您链接的“相关问题”的答案（以及在 cmets 中发布的问题）实际上解决了您的问题， 它只需要适应您的具体情况。

cat original.list | awk -F" " ' {`/homes/script.py $1`}'

• cat在这里没用，因为awk可以自己打开和读取文件
• 您不需要-F" "，因为awk 默认会按空格分割字段
• 反引号``不会运行你的脚本，that's a shell (discouraged) feature，在 awk

我们可以使用command | getline var 来执行一个命令并存储它 （第一行）在变量中输出。来自man awk：

命令 |获取线变量

将一条记录从命令传送到 var。

使用您的示例文件：

$ cat original
Col1  Col2
d     2
e     4
f     6
$

还有一个假人script.py：

$ cat script.py
#!/bin/python

print("output")
$

我们可以这样做：

$ awk '
NR == 1 { print $0, "Col3" }
NR > 1 { cmd="./script.py " $1; cmd | getline out; close(cmd); print $0, out }
' original
Col1  Col2 Col3
d     2 output
e     4 output
f     6 output
$

第一个动作在输入的第一行运行，将Col3 添加到标题中并 避免将Col1 传递给python 脚本。

在另一个动作中，我们首先构建将$1 连接到 脚本的路径，然后我们运行它并将它的第一行输出存储在out 变量（我假设您的 python 脚本输出只有一行）。 close(cmd) 很重要，因为在 getline 之后，管道读数 来自cmd 的输出将保持打开状态，对许多记录执行此操作可能会导致 像too many open files 这样的错误。最后我们打印$0 和cmd's 输出。

第三列的格式看起来有点不对劲，你可以从 awk 使用printf 或与column 等外部程序一起使用，例如：

$ awk '
NR == 1 { print $0, "Col3" }
NR > 1 { cmd="./script.py " $1; cmd | getline out; close(cmd); print $0, out }
' original | column -t
Col1  Col2  Col3
d     2     output
e     4     output
f     6     output
$

最后，在 150k 行文件上执行所有这些操作意味着调用 python 脚本 150k 次等..，这可能是一项缓慢的任务，我认为性能可能是 通过直接在 python 脚本中执行所有操作来改进 在 cmets 中建议，但无论它是否适用于您的具体情况， 超出此问题/答案的范围。