使用正则RS结合标准输入流时gawk挂起的问题排查与解决

我通过netcat传输数据并将输出管道至gawk，接收的字节序列示例如下：

=AAAA;=BBBB;;CCCC==DDDD;

数据包含几乎任意字符（无NULL字符），其中=和;为保留分隔符。每个数据块前后都会添加任一分隔符，后续需要区分使用的分隔符做处理。由于是网络流，stdin会保持开放等待后续数据，期望gawk读取到任一分隔符时立即执行脚本逻辑，持续处理流数据。

现有尝试 #

在macOS的zsh脚本中做了如下简化尝试（仅打印数据）：

cat example.txt - | gawk '
BEGIN {
    RS = "=|;";
}
{
    if ($0 != "") {
        print $0;
        fflush();
    }
}
'

其中example.txt内容为：

=AAAA;=BBBB;=CCCC;=DDDD;

现有脚本能处理多数数据，但会挂起等待stdin的更多数据，无法处理最后的DDDD记录。

当前输出：

AAAA
BBBB
CCCC
[挂起等待后续数据]

期望输出：

AAAA
BBBB
CCCC
DDDD
[挂起等待后续数据]

调试发现与思考 #

• 已排除OS管道缓冲问题
• 仅当stdin开放且RS为正则表达式时才会出现挂起
• 挂起原因与正则长度相关：正则引擎会读取额外字符确认匹配，导致等待stdin输入
• gawk对RS是否作为正则处理有额外判断逻辑，并非仅按字符数区分
• 避免使用正则需要自定义解析器，成本较高
• 可行思路：先通过CLI工具在分隔符后添加NULL字符，再将gawk的RS设为NULL（按纯文本处理），以此避免挂起，再解析真实分隔符与数据块

内容的提问来源于stack exchange，提问作者user12280249