Funciones de awk, formato con printf y generación de informes

A medida que sus programas de awk crecen, pasando de comandos de una sola línea a canalizaciones de varios pasos, dos características se vuelven esenciales: las funciones definidas por el usuario y el formato con printf.

Las funciones permiten encapsular lógica reutilizable —un cálculo de porcentajes, un recorte de cadenas o una conversión de unidades— para escribirla una vez y llamarla en cualquier lugar del mismo programa. printf permite controlar exactamente el aspecto de la salida: anchos de columna, posiciones decimales, relleno y alineación.

Juntas, estas características transforman líneas de registro sin procesar en informes pulidos y fáciles de leer sobre los que los ingenieros y responsables pueden actuar.

• Las funciones reducen la duplicación y permiten probar los programas de forma aislada.
• printf alinea los datos en columnas de ancho fijo para que los informes sigan siendo legibles incluso con longitudes de entrada variables.
• Ambas características funcionan en POSIX awk, gawk y mawk; no se necesitan extensiones.

Una función de usuario se declara con la palabra clave function, antes o después de cualquier regla de patrón-acción. La sintaxis es:

function name(param1, param2,    local1, local2) {
    # body
    return value
}

Un idioma característico de awk: las variables locales son simplemente parámetros adicionales separados de los anteriores por más espacios. No existe ninguna palabra clave local; la convención de usar espacios adicionales indica que esos parámetros son locales y no argumentos que proporcione quien llama a la función.

• Todas las variables que no se declaran como parámetros son globales de forma predeterminada.
• Las funciones pueden llamarse a sí mismas de forma recursiva.
• return es opcional; sin él, la función devuelve una cadena vacía.

Las funciones son especialmente útiles para repetir operaciones con cadenas. Considere la eliminación de espacios en blanco iniciales y finales, algo que los datos de registros sin procesar suelen necesitar antes de compararlos o generar informes.

El ejemplo siguiente define trim(s) mediante gsub y lo utiliza en cada registro, manteniendo la regla principal limpia y legible.

• gsub(regex, replacement, target) modifica target directamente y devuelve el número de sustituciones.
• Al colocar la lógica de expresiones regulares dentro de una función, el bloque de reglas se mantiene centrado en la lógica de negocio.
• Puede realizar pruebas unitarias pasando cadenas creadas manualmente directamente en un bloque BEGIN.

printf en awk sigue las mismas convenciones que en C y en el comando integrado printf de Bash. La diferencia principal respecto a print es que printf nunca añade automáticamente un salto de línea; debe añadir \n usted mismo.

Especificadores de formato habituales:

• %s — cadena
• %d — entero
• %f — coma flotante
• %e — notación científica
• %g — el más corto entre %f/%e

El ancho y la precisión se controlan colocando números entre % y el especificador: %-20s alinea a la izquierda en un campo de 20 caracteres; %8.2f proporciona un número de coma flotante de ancho 8 con 2 posiciones decimales.

Un informe bien elaborado necesita una fila de encabezado y una línea separadora. El bloque BEGIN es el lugar natural para generarlas, ya que se ejecuta una vez antes de procesar cualquier entrada.

El truco consiste en hacer coincidir los anchos del encabezado exactamente con los anchos utilizados en las filas de datos. Definir constantes de ancho en BEGIN (o en una función) mantiene todo sincronizado cuando posteriormente ajuste los anchos de las columnas.

• Use printf con una cadena separadora de guiones para dibujar la línea divisoria.
• Termine siempre las líneas del encabezado con \n.
• Combine un encabezado en BEGIN, filas por registro y un pie en END para obtener una estructura de informe completa.

Cuando crea informes con varias columnas, es habitual necesitar la misma llamada de formato en varios lugares; por ejemplo, para representar una barra de porcentaje o convertir bytes a una unidad legible. Colocarla dentro de una función evita la duplicación y facilita cambiar el formato de manera global.

La función siguiente convierte bytes a KB, MB o GB y devuelve una cadena con formato. La regla que la llama simplemente pasa $NF (el último campo) e imprime lo que recibe.

Los informes reales suelen necesitar totales, promedios o clasificaciones: valores que no se pueden calcular hasta haber visto toda la entrada. El patrón es el siguiente:

• Acumule los datos en arrays asociativos durante la fase por registro.
• Calcule los valores derivados (promedios, porcentajes) en END.
• Genere el resultado con formato únicamente desde END, para que los anchos puedan adaptarse al conjunto de datos completo.

Este patrón de salida diferida es uno de los modismos más potentes para generar informes con awk. El ejemplo siguiente contabiliza las solicitudes y los bytes de respuesta de cada código de estado HTTP a partir de un registro de acceso.

awk admite la recursividad. Un caso de uso clásico es calcular factoriales o generar cadenas repetitivas (como una línea de guiones con el ancho del terminal). La recursividad es menos habitual en awk que en los lenguajes de propósito general, pero funciona correctamente y está disponible en las principales implementaciones.

El ejemplo siguiente define una función recursiva repeat(s, n) y la utiliza para dibujar líneas separadoras que coinciden automáticamente con el ancho de la fila de datos más ancha, sin necesidad de guiones escritos explícitamente.

• Evite la recursividad profunda con entradas grandes: awk no tiene optimización de llamadas de cola.
• Para repeticiones sencillas, sprintf("%*s", n, "") junto con gsub(/ /, "-") es más rápido, aunque menos ilustrativo.

El printf (y print) de awk puede redirigir la salida a archivos o enviarla mediante una tubería a comandos del shell, directamente desde el programa awk y sin envolver todo en un subshell.

• printf "..." > "file.txt" — escribe en un archivo (lo trunca una vez y después añade contenido durante la misma ejecución).
• printf "..." >> "file.txt" — añade contenido a un archivo.
• printf "..." | "sort -rn" — envía la salida mediante una tubería a un comando del shell; awk mantiene la tubería abierta entre registros y la cierra al finalizar el programa.

Un patrón habitual consiste en dividir una sola pasada por un registro en varios archivos de salida, uno por estado o por host, para evitar recorrer repetidamente un archivo grande.

No todos los informes están destinados a las personas. A veces, la salida debe ser un CSV legible por máquinas que alimente una hoja de cálculo o una canalización posterior. El printf de awk lo gestiona de forma sencilla: establezca OFS como una coma o controle cada delimitador explícitamente.

Dos reglas importantes para generar CSV robustos con awk:

• Rodee con comillas dobles los campos que puedan contener comas o saltos de línea.
• Escape las comillas dobles literales dentro de un campo duplicándolas: He said ""hello"".

La función csv_field(s) encapsula esta lógica de entrecomillado para poder aplicarla de forma coherente a todos los campos de texto.

Este ejemplo final reúne todos los conceptos: funciones definidas por el usuario, formato con printf, acumulación en arrays y una cabecera y un pie estructurados. La entrada es un registro simplificado de acceso web; la salida es una tabla de resumen legible para personas, con totales por método y una línea con el total general.

Técnicas principales utilizadas:

• count[method]++ y bytes[method] += size acumulan las estadísticas de cada método en una sola pasada.
• human_bytes() (de una escena anterior) convierte los totales de bytes.
• Usar printf con anchos coincidentes en la cabecera, los datos y el pie garantiza que la tabla permanezca alineada independientemente del tamaño de la entrada.
• El bloque END recorre el array con for (k in arr) y genera la salida ordenada mediante una tubería hacia sort.

¿Cuál de las siguientes opciones declara correctamente result como una variable local dentro de una función de awk, siguiendo la convención POSIX?

En esta lección ha aprendido a escribir programas awk de calidad profesional que generan informes con formato a partir de flujos de datos sin procesar. Esto es lo que debe recordar:

• Las funciones definidas por el usuario se declaran con function name(params, locals). Los espacios adicionales antes de los parámetros de variables locales son la convención POSIX; no existe ninguna palabra clave local.
• printf proporciona un control preciso de la salida: ancho (%10s), alineación (%-10s) y precisión (%8.2f). Recuerde añadir \n explícitamente.
• Use BEGIN para generar cabeceras y separadores, las reglas por registro para acumular datos y END para calcular los totales e imprimir el informe terminado.
• Redirija la salida de printf a archivos (> file) o canalizaciones (| "sort") desde awk para dividir informes o procesar posteriormente la salida.
• Rodee los campos de texto con un ayudante csv_field() al generar CSV para gestionar de forma segura las comas y las comillas incrustadas.
• Conviene conservar en una biblioteca personal de awk las funciones que convierten unidades (human_bytes), repiten caracteres (repeat) o limpian cadenas (trim, csv_field): se combinan fácilmente entre proyectos.