如何用AWK格式化含TE后缀字段的杂乱文本文件？

我有一个格式极其混乱的文本文件，其中每条记录的首个字段均以“TE”结尾。尝试用AWK设置RS="TE"处理后结果接近目标但未完全符合预期，希望将文本整理为指定的清晰格式，求正确的AWK模式识别方法。

原文件内容 #

cat file1 

220914230708E2022091416195068167642220000039TE  OKaaaaaaaaaa          0000000017316354827094010600 aaaaaaaaaa               001                                  2022091416123467540807620001105TE  OKbbbbbbbbbb          0000000292934354487119918680 bbbbbbbbbb               001                                  2022091416483567002141420000731TE  OKDFDFJFSDFHS          0000000199137867325032383540                                                                2022091419204463543285020000412TE  OKcccccccccc          0000000111113867351043007780 cccccccccc               1EP                                  2022091419372363503707220000233TE  OKddddddddddd          0000000067822353828105648630 ddddddddddd               001

尝试的AWK命令 #

awk ' BEGIN { RS = "TE" } { if ( $0 ~ "OK" ) print "TE" $0 }' file1

当前输出 #

TE  OKaaaaaaaaaa          0000000017316354827094010600 aaaaaaaaaa               001                                  2022091416123467540807620001105
TE  OKbbbbbbbbbb          0000000292934354487119918680 bbbbbbbbbb               001                                  2022091416483567002141420000731
TE  OKDFDFJFSDFHS          0000000199137867325032383540                                                                2022091419204463543285020000412
TE  OKcccccccccc          0000000111113867351043007780 cccccccccc               1EP                                  2022091419372363503707220000233
TE  OKddddddddddd          0000000067822353828105648630 ddddddddddd               001  

预期格式 #

2022091416123467540807620001105TE               OKbbbbbbbbbb            0000000292934354487119918680    bbbbbbbbbb               001                                  
2022091416483567002141420000731TE               OKDFDFJFSDFHS           0000000199137867325032383540                                                                
2022091419204463543285020000412TE               OKcccccccccc            0000000111113867351043007780    cccccccccc               1EP                                  
2022091419372363503707220000233TE               OKddddddddddd           0000000067822353828105648630    ddddddddddd              001  

解决方案 #

之前的RS="TE"设置会将每个“TE”作为记录分隔符，导致记录的前缀（即结尾为TE的字段）和后续内容被拆分，无法直接组合成预期的行结构。可以通过正则匹配完整记录并格式化输出：

awk '{
    while (match($0, /([0-9]+TE)\s+(OK\S+)\s+([0-9]+)\s+(\S+)\s+(\S+)/, arr)) {
        printf "%-35s %-25s %-35s %-20s %s\n", arr[1], arr[2], arr[3], arr[4], arr[5]
        $0 = substr($0, RSTART + RLENGTH)
    }
}' file1

说明 #

1. 使用match()函数配合正则表达式，精准捕获完整记录的各个字段：
   • ([0-9]+TE)：提取以TE结尾的数字前缀字段
   • \s+(OK\S+)：提取OK开头的标识字段
   • \s+([0-9]+)：提取长数字序列字段
   • \s+(\S+)：提取字符串字段
   • \s+(\S+)：提取最后一个代码字段
2. 用printf的%-N格式设置左对齐并固定宽度，实现整齐排版
3. 处理完一个匹配项后，用substr()截断已处理内容，继续匹配剩余文本

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