好久不写，一方面是工作原因，有些东西没发直接发，另外的也是习惯给丢了，内因所致。今天是个好日子，走起！
btw，实际上这种格式化输出应该不只限于某一种需求，差不多是通用的。
需求：
--基本的：当前Hive查询结果存在数据与表头无法对齐的情况，不便于监控人员直接查看，或者导出到excel中，需要提供一个脚本，将查询结果处理下，便于后续的查看或者操作。
--额外的：A、每次查询出来的结果字段数、字段长度不固定；B、每个数据文件中可能包含不只一套查询结果，即存在多个schema。
想法：
对于基本需求而言，无非就是将数据文件用格式化输出整理一下，直接想到了awk。
对于补充的情况，A：需要实现一种机制，基于数据文件，动态地确定格式化输出的参数：字段个数，以及每个格式化字符串的长度参数；B：实现对数据文件根据字段数切割成多段，然后对于每段数据套用前面的脚本处理。
做法：
基本需求：
1、指定字段分隔符为“\t”
2、将每个字段按照指定长度格式化输出
BEGIN{
FS="\t"
}
{
printf "%-"len"s\t",$i
}
额外需求A：
需要把代码写成“活”的，适应各种不同的数据文件，如前面所说，实际上就是在执行格式化输出之前，将数据文件扫描一遍，用一个数组记录下文件中每个字段的max length，然后将这个max length作为该文件内格式化输出的额定宽度。
1、初始化一个fieldLen数组
2、扫描整个文件，更新fieldLen数组
3、将fieldLen数组，用于格式化输出
BEGIN{
FS="\t"
}
NR=={
for (i=;i<=NF;i++)
fieldLen[i]=
}
{
for (i=;i<=NF;i++)
{
len=length($i)
if (len>fieldLen[i])
{
fieldLen[i]=len
}
}
}
END{
for (i=;i<=NF;i++)
{
printf "%-s",fieldLen[i]
if (i<NF)
printf "\t"
else
printf "\n"
}
}
这里要注意的是，fieldLen的初始化要在NR==1的时候，在BEGIN里面，NF为0
额外需求B：
这里需要一些临时变量，标记分割出来的数据块分支：suffix标记不同的分支，fields当前处理数据块的字段数
处理过程根据前面的临时变量，完成数据文件分割。此处有一个局限在于，对于文件内的多个数据分块，只能处理“AAABBBCCC”这样，同一类数据放在一起的，脚本会分成3块；而对于“AABCABBCC”这种的，则会分割成6块。
BEGIN{
FS="\t"
suffix=
filename=ARGV[]
fields=
}
{
if (NF!=fields)
{
fields=NF
suffix+=
}
print $>filename"."suffix
}
END{
print suffix
}
基本的思路，就如上面所示。
但是，完成上面的部分，可能不到一半的工作量，接下来，说几个比较麻烦的问题：
A、汉字的问题
这个也是对不齐的主要原因。
在putty里面显示的时候，一个汉字占2个字宽，一个ASCII字符占一个字宽。但是，在调用awk内置的length()函数时，一个汉字跟一个ASCII字符长度是一样的。所以为了在putty上看到的内容是对齐的，需要在格式化输出的时候，对fieldLen的值进行修正。
例子如：
如上，计算得到的fieldLen为4，但实际上需要8；但是在printf的时候，为了对齐，从“abs”到“泰国香蕉”printf的len值是不一样的，根据字段情况，动态决定
所以需要修正的有2处：
1、在计算fieldLen的时候，根据汉字情况，将length($i)获取值加上一个变量
for (i=;i<=NF;i++)
{
len=length($i)
for (j=;j<=length($i);j++)
if (substr($i,j,) > "\177")
len+=
if (len>fieldLen[i])
{
fieldLen[i]=len
}
}
2、在printf格式化输出的时候，根据汉字情况，给fieldLen[i]减去一个变量
for (i=;i<=NF;i++)
{ len=
for (j=;j<=length($i);j++)
if (substr($i,j,) > "\177")
len+=
printf "%-'"fieldLen[i]-len"'s",$i if (i<NF)
printf "\t"
else
printf "\n"
}
原理比较简单了，就是前面提到的，汉字比ASCII字符多占一个位置，所以在获取fiedlLen的时候，要加上汉字多占的部分；在格式化输出的时候，汉字要减去多占的部分。
这里用到了一种awk内识别汉字的方法，参考了网上一个同学的帖子：
for (j=;j<=length($i);j++)
if (substr($i,j,) > "\177")
#TODO
原理就是挨个字符进行检测，“\177”是8进制的127，超过127的都算汉字。
B、多文件输入的问题
按照前面的思路，先要扫描一遍，将数据文件的字段信息存下来，然后再引入字段信息和数据文件，做最终的处理。
这里有一个问题是：是否有必要将字段信息保存成单独文件？从awk的原理来看，基本上是一遍扫描，当第一遍扫描完，之后，游标已经到了文件末尾。这样看不太方便在一个awk处理流程中完成对同一个文件的2次扫描。即使有方法，或许也比较复杂，2遍就两遍吧。
awk多文件输入比较简单，但是我们这里的需求是先读取第一个文件的内容，保存到fieldLen数组；然后利用fieldLen数组，处理第二个文件。这里用到的是NR，FNR这两个变量的作用域不同而完成的：NR服务于整个awk处理，FNR服务于某个文件。
NR==FNR{
for (i=;i<=NF;i++)
fieldLen[i]=$i
}
NR!=FNR{
#TODO
}
C、printf变量做字宽的问题
前面一直说，根据数据文件，动态地确定字段宽度，所以到最后一步，格式化输出的时候，%s在指定宽度的时候，需要用一个变量指定宽度。这是一个awk语言了解是否透彻的问题，花费了不短时间才搞定，直接贴代码吧。
printf "%-'"fieldLen[i]-len"'s",$i
D、效率的问题
在脚本执行过程中，出于了处理方便或者逻辑明确的考虑，存在不少的写文件操作。特做如下的测试：
| 文件 | 记录数 | size | 处理时间 |
| a.dat | 642 |
240K |
<1s |
| b.dat |
500000 |
30M |
35s |
| c.dat |
1000000 |
168M |
3min42s |
| combine.dat |
1500642 |
198M |
4min9s |
从实际角度来说，这种格式化的处理，通常数据量不会特别大，同时对实时性要求不那么高。所以够用就行，暂时可以接受。后续在做改进吧。
Over！
最后附上代码
#!/bin/sh if [ -f $.txt ];then
rm $.txt
fi branch=`awk -f split.awk $` for ((i=;i<=$branch;i++));do current=$.$i awk '
BEGIN{
FS="\t"
}
NR=={
for (i=;i<=NF;i++)
fieldLen[i]=
}
{ for (i=;i<=NF;i++)
{
len=length($i)
for (j=;j<=length($i);j++)
if (substr($i,j,) > "\177")
len+=
if (len>fieldLen[i])
{
fieldLen[i]=len
}
} } END{
for (i=;i<=NF;i++)
{
printf "%-s",fieldLen[i]
if (i<NF)
printf "\t"
else
printf "\n" }
}
' $current > $current.schema awk -f execFormat.awk $current.schema $current > $current.txt rm $current
rm $current.schema done for ((i=;i<=$branch;i++));do current=$.$i.txt cat $current >> $.txt rm $current done
format.sh
#!/usr/bin/awk
BEGIN{
FS="\t"
suffix=
filename=ARGV[]
fields=
}
{
if (NF!=fields)
{
fields=NF
suffix+=
}
print $>filename"."suffix
}
END{
print suffix
}
split.awk
#!/usr/bin/awk
BEGIN{
FS="\t"
}
NR==FNR{
for (i=;i<=NF;i++)
fieldLen[i]=$i
}
NR!=FNR{ for (i=;i<=NF;i++)
{
len=
for (j=;j<=length($i);j++)
if (substr($i,j,) > "\177")
len+=
printf "%-'"fieldLen[i]-len"'s",$i if (i<NF)
printf "\t"
else
printf "\n"
}
}
execFormat.awk