Lección 18 de 31 · Arrays asociativos✦ WebMCP implementado
Claves compuestas: IP y estado a la vez
9 min de lectura4 retos
Contar por IP ya te sale solo. Pero las preguntas buenas del log llevan dos datos: ¿cuántos 404 ha hecho esta IP?, ¿qué páginas se piden a cada hora? En PHP meterías un array dentro de otro. awk lo resuelve con un truco más simple: una clave hecha con dos trozos pegados.
¿De dónde vienen los nombres?
SUBSEP = SUBscript SEParator (separador de subíndices)
El carácter que awk pone entre los trozos de una clave compuesta. Subscript es el nombre en inglés de lo que va entre los corchetes de un array.
split = inglés split (partir, dividir)
Parte un texto por un separador y deja los trozos en un array numerado desde 1. Es el explode() de PHP. Aquí lo usas para despegar la clave; se ve entero en el módulo 06.
clave compuesta = una clave hecha de varias
Lo mismo que en una base de datos: una clave primaria de dos columnas, como PRIMARY KEY (ip, estado).
En 4 ideas
1/4
visitas[$1, $9]++ cuenta por IP y estado a la vez. En PHP sería un array dentro de otro: $visitas[$ip][$estado].
No hay dos niveles: la coma pega los trozos en un solo texto con SUBSEP en medio. Es como $visitas[$ip . "|" . $estado] en PHP.
Para recuperar los trozos al recorrer: split(clave, partes, SUBSEP). Es el explode("|", $clave) de PHP.
Para preguntar por una pareja sin crearla: ((ip, estado) in visitas), con los trozos entre paréntesis. En PHP, isset($visitas[$ip][$estado]).
1 · Dos datos, una sola clave
Sabes que 198.51.100.4 hizo 7 visitas y que en el log hay tres 404. Lo que no sabes es si esos 404 son suyos. Para eso hay que contar por pareja: IP y estado juntos.
Piensa en la tabla de multiplicar o en el juego de los barcos: una casilla se nombra con dos datos, «fila B, columna 7». En awk, los dos datos se escriben dentro de los mismos corchetes, separados por una coma:
awkprograma.awk
# En PHP: $visitas[$ip][$estado] = ($visitas[$ip][$estado] ?? 0) + 1;
{ visitas[$1, $9]++ }
END {
# En PHP: echo $visitas["198.51.100.4"][404], PHP_EOL;print"404 de 198.51.100.4:", visitas["198.51.100.4", 404]
print"401 de 198.51.100.4:", visitas["198.51.100.4", 401]
}
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Los tres 404 son suyos, y además tiene tres 401 (contraseña incorrecta) en /login. Esa IP está probando puertas.
2 · SUBSEP: el pegamento de la clave
En PHP, $visitas[$ip][$estado] son de verdad dos arrays: uno de IP y, dentro de cada IP, otro de estados. En awk no. Hay un solo array, plano, y cada clave es un solo texto.
Lo que hace la coma es pegar los trozos con un carácter separador en medio. Ese separador vive en una variable de awk llamada SUBSEP. Por defecto es un carácter invisible que no se puede teclear; para verlo, este programa lo cambia por dos puntos e imprime las claves tal cual:
awkprograma.awk
# solo para la demostración: un separador que se veaBEGIN { SUBSEP = ":" }
{ visitas[$1, $9]++ }
END {
# Solo gawk: recorre el array en orden (en mawk el orden no esta definido)PROCINFO["sorted_in"] = "@ind_str_asc"for (clave in visitas) {
print clave, visitas[clave]
}
}
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Cada clave es IP:estado, un texto normal. O sea que visitas[$1, $9] es una forma cómoda de escribir visitas[$1 SUBSEP $9], que en PHP sería $visitas[$ip . ":" . $estado]. La línea de PROCINFO es la de siempre (Solo gawk): ordena esas claves como texto.
¿Por qué? · En PHP no existe
¿Por qué awk pega las claves en vez de tener arrays dentro de arrays, como PHP?
El awk original solo sabe guardar en un array textos y números, no otros arrays. Es parte de lo que lo hace pequeño y rápido. Pero la gente necesitaba tablas de dos dimensiones, y la solución fue este truco: si la clave es un texto, mete los dos datos en el mismo texto.
¿Y por qué un carácter invisible? Para que no choque con tus datos. Si el separador fuese un espacio, la pareja (a b, c) y la pareja (a, b c) darían la misma clave, a b c, y se sumarían juntas. El valor por defecto de SUBSEP es un carácter de control (el número 28 de la tabla ASCII) que no aparece en ningún log. Moraleja: no cambies SUBSEP en un programa de verdad; lo de los dos puntos era solo para verlo.
El fallo que trae para alguien de PHP: creer que hay dos niveles. visitas["198.51.100.4"]no existe y no te da «los estados de esa IP»: nadie ha guardado nada con esa clave. Para sacar todo lo de una IP tienes que recorrer el array entero y despegar cada clave, que es lo siguiente.
3 · Despegar la clave con split
Al recorrer, el for te da la clave pegada. Para imprimir la IP y el estado por separado hay que partirla por donde se pegó. Eso lo hace split(texto, array, separador): parte el texto por el separador y deja los trozos en array[1], array[2]… Es el explode() de PHP, con dos diferencias: el resultado va en el array que tú le das y los trozos se numeran desde 1.
PHP 8.5ip-estado.php
<?php$visitas = [];
foreach (file("access.log", FILE_IGNORE_NEW_LINES) as$linea) {
$campos = explode(" ", $linea);
[$ip, $estado] = [$campos[0], $campos[8]];
// un array dentro de otro: primero la ip, después el estado$visitas[$ip][$estado] = ($visitas[$ip][$estado] ?? 0) + 1;
}
ksort($visitas, SORT_STRING);
// dos niveles, dos foreachforeach ($visitasas$ip => $por_estado) {
ksort($por_estado);
foreach ($por_estadoas$estado => $total) {
echo$ip, " ", $estado, " ", $total, PHP_EOL;
}
}
awkprograma.awk
# En PHP: $visitas[$ip][$estado] = ($visitas[$ip][$estado] ?? 0) + 1;
{ visitas[$1, $9]++ }
END {
# Solo gawk: recorre el array en orden (en mawk el orden no esta definido)PROCINFO["sorted_in"] = "@ind_str_asc"# un solo nivel, un solo forfor (clave in visitas) {
# En PHP: [$ip, $estado] = explode($separador, $clave);split(clave, partes, SUBSEP)
print partes[1], partes[2], visitas[clave]
}
}
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
⏱ Medido en el servidor del curso con access.log multiplicado hasta 1.000.000 líneas: PHP 8.5: 961 ms · gawk: 620 ms. awk tarda 1,6 veces menos que PHP.
partes[1] es la IP y partes[2] el estado. El valor se pide con la clave entera, visitas[clave]; también valdría visitas[partes[1], partes[2]], que vuelve a pegarla.
4 · (ip, estado) in array: preguntar por una pareja
En la lección de in viste que mirar visitas[clave] == "" crea el elemento. Con claves compuestas pasa igual, y la solución es la misma: el operador in. La única novedad es que los trozos van entre paréntesis:
awkprograma.awk
{ visitas[$1, $9]++ }
END {
# En PHP: if (isset($visitas["198.51.100.4"][404])) { ... }if (("198.51.100.4", 404) in visitas) {
print"198.51.100.4 tiene algún 404"
}
# En PHP: if (!isset($visitas["203.0.113.7"][404])) { ... }if (!(("203.0.113.7", 404) in visitas)) {
print"203.0.113.7 no tiene ningún 404"
}
print"Parejas distintas:", length(visitas)
}
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
length(visitas) cuenta parejas (IP con estado), no IP: como el array es plano, cada combinación que ha salido es un elemento. Y como has preguntado con in, el número no se ha movido.
Quieres
PHP
awk
Contar por dos datos
$v[$ip][$estado] = ($v[$ip][$estado] ?? 0) + 1;
v[$1, $9]++
Leer una casilla
$v[$ip][404]
v[ip, 404]
¿Existe la casilla?
isset($v[$ip][404])
((ip, 404) in v)
Borrar una casilla
unset($v[$ip][404]);
delete v[ip, 404]
Recuperar los dos datos
Dos foreach anidados
split(clave, partes, SUBSEP)
5 · Otro par: la hora y el estado
Los trozos de la clave no tienen por qué ser campos tal cual. La hora de la visita está dentro de $4, que es algo como [19/Nov/2026:10:15:32. Si lo partes por los dos puntos con split, el segundo trozo es la hora: 10.
Con la hora y el estado como clave, ves a qué hora llegan los errores:
awkprograma.awk
{
# En PHP: $trozos = explode(":", $campos[3]); $hora = $trozos[1];split($4, trozos, ":")
hora = trozos[2]
# En PHP: $visitas[$hora][$estado] = ($visitas[$hora][$estado] ?? 0) + 1;
visitas[hora, $9]++
}
END {
# Solo gawk: recorre el array en orden (en mawk el orden no esta definido)PROCINFO["sorted_in"] = "@ind_str_asc"for (clave in visitas) {
split(clave, partes, SUBSEP)
printf"%sh estado %s %d visitas\n", partes[1], partes[2], visitas[clave]
}
}
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
A las 10 se juntan los 401, el 403 y dos 404: es cuando pasó el escáner. Cambia $9 por $7 y tienes las páginas que se piden a cada hora; cambia hora por $1 y vuelves a IP y estado. Se pueden pegar tres trozos o más (visitas[hora, $1, $9]), y split te devuelve tantos como pegaste.
6 · Arrays de arrays (Solo gawk)
gawk, y solo gawk, tiene también arrays dentro de arrays de verdad, escritos como en PHP: un corchete por nivel. Aquí sí existe visitas[ip], y es el array de estados de esa IP.
awkprograma.awk
# En PHP: $visitas[$ip][$estado] = ($visitas[$ip][$estado] ?? 0) + 1;
{ visitas[$1][$9]++ }
END {
# Solo gawk: recorre el array en orden (en mawk el orden no esta definido)PROCINFO["sorted_in"] = "@ind_str_asc"# En PHP: foreach ($visitas as $ip => $por_estado) {for (ip in visitas) {
print ip, "("length(visitas[ip]) " estados distintos)"# En PHP: foreach ($por_estado as $estado => $total) {for (estado in visitas[ip]) {
print" " estado, visitas[ip][estado]
}
}
}
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Es más cómodo cuando quieres «todo lo de una IP»: no hay que despegar claves. A cambio, en mawk y en macOS este programa ni arranca: da un error de sintaxis en el segundo corchete. La clave compuesta con coma funciona en cualquier awk, y por eso es la que usa el curso.
La pregunta que te vas a hacer
Esto me suena a un GROUP BY de SQL. ¿Es lo mismo?
Sí, y es una buena forma de pensarlo. Si el log estuviera en una tabla visitas de tu base de datos, el recuento por IP y estado sería esta consulta:
SELECT ip, estado, COUNT(*) FROM visitas GROUP BY ip, estado ORDER BY ip, estado
Cada pieza tiene su pareja en awk. El GROUP BY ip, estado es la clave compuesta [$1, $9]. El COUNT(*) es el ++ (y un SUM(bytes) sería += $10). El ORDER BY es la línea de PROCINFO. Y un WHERE estado >= 400 es el patrón de delante: $9 >= 400 { errores[$1, $9]++ }.
La diferencia es que awk lo hace sobre el fichero tal cual, sin crear la tabla ni cargar nada. Para una pregunta suelta sobre el log de hoy, es más rápido que importarlo.
Imprime cuántas visitas tuvo cada pareja de página y estado (campos 7 y 9): la página, el estado y el número, separados por espacios y ordenados por la clave. Con el log que ves, la primera línea es / 200 1 y /login 401 3 es una de ellas. El programa ya despega la clave e imprime, pero cuenta solo por página. En PHP sería $visitas[$url][$estado].
Al pulsar Comprobar, tu programa se ejecuta en tu navegador con el fichero que ves y con otro distinto que no ves: tiene que acertar con los dos.
awkprograma.awk · editable
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Pista. A la clave le falta el segundo trozo. Dentro de los corchetes, los trozos se separan con una coma: visitas[$7, $9].
Reto 2 de 4 · ✓ Resuelto
¿Quién tiene algún 404?
Para cada IP, en orden, di si ha recibido algún 404 y cuántos. Formato: 198.51.100.4: 3 con 404 si tiene, y 192.0.2.55: sin 404 si no. El programa lleva dos arrays: visitas (por IP, para recorrerlas) y por_estado (por IP y estado). La pregunta del if está mal: le falta el estado. En PHP sería isset($por_estado[$ip][404]).
Al pulsar Comprobar, tu programa se ejecuta en tu navegador con el fichero que ves y con otro distinto que no ves: tiene que acertar con los dos.
awkprograma.awk · editable
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Pista. En por_estado no hay ninguna clave que sea solo la IP: todas son IP y estado pegados. Pregunta por la pareja, con paréntesis: ((ip, 404) in por_estado).
Reto 3 de 4 · ✓ Resuelto
Páginas por hora
Imprime cuántas veces se pidió cada página en cada hora: la hora (dos cifras), la página y el número, ordenado por la clave. Con el log que ves, la primera línea es 10 / 1 y 10 /login 3 es otra. La hora es el segundo trozo de $4 al partirlo por :. El programa usa $4 entero como primer trozo de la clave, y sale la fecha con minutos y segundos. En PHP: explode(":", $campos[3])[1].
Al pulsar Comprobar, tu programa se ejecuta en tu navegador con el fichero que ves y con otro distinto que no ves: tiene que acertar con los dos.
awkprograma.awk · editable
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Pista. Antes de contar, parte la fecha: split($4, trozos, ":"). La hora queda en trozos[2]. Úsala como primer trozo de la clave en lugar de $4.
Reto 4 de 4 · ✓ Resuelto
Páginas distintas por IP
Imprime cuántas páginas distintas ha pedido cada IP, ordenado por IP: la IP, un espacio y el número. Con el log que ves, 198.51.100.4 hizo 7 visitas pero pidió /login tres veces: su línea es 198.51.100.4 5. El programa cuenta visitas, no páginas distintas. Junta dos cosas que ya sabes: el truco de «solo la primera vez» y una clave compuesta de IP y página. En PHP: count(array_unique($paginas[$ip])).
Al pulsar Comprobar, tu programa se ejecuta en tu navegador con el fichero que ves y con otro distinto que no ves: tiene que acertar con los dos.
awkprograma.awk · editable
$ awk -f programa.awk access.log
¿Qué significa esta línea?
awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
-f programa.awk: f de file (fichero). El programa no va escrito en la línea, está guardado en el fichero programa.awk: es lo que ves en la pestaña del mismo nombre. Sin -f, el programa se escribe entre comillas simples: awk '{ print $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Pista. Que la acción solo se ejecute la primera vez que sale cada pareja de IP y página: pon delante el patrón !visto[$1, $7]++.
Resumen
Lo que te llevas de esta lección
visitas[$1, $9]++ cuenta por dos datos a la vez. En PHP: $visitas[$ip][$estado]. En SQL: GROUP BY ip, estado.
El array sigue siendo plano: la coma pega los trozos con SUBSEP en un solo texto. Es $visitas[$ip . $sep . $estado]. visitas[ip] a secas no existe.
Al recorrer, split(clave, partes, SUBSEP) despega: partes[1], partes[2]… Es explode(), contando desde 1.
((ip, 404) in visitas) pregunta por la pareja sin crearla: el isset($visitas[$ip][404]) de PHP.
Sin la coma (visitas[$1 $9]) los trozos se pegan sin separador y ya no se pueden despegar.
visitas[$1][$9], un corchete por nivel como en PHP, es Solo gawk. La coma funciona en cualquier awk.
Para recordarlo: «La coma pega, split despega»
Dentro de los corchetes, la coma une los trozos con SUBSEP. Al recorrer, split(clave, partes, SUBSEP) los separa otra vez. Y para preguntar, los trozos entre paréntesis: ((ip, estado) in visitas).