Mis apuntes · Aprende awk desde PHP

Se guardan solos en este navegador mientras escribes. Puedes usar Markdown. Al descargarlos, la primera línea es tu enlace personal al curso.

Lección 19 de 31 · Texto y fechas ✦ WebMCP implementado

length, substr, index y tolower

8 min de lectura 4 retos

Hasta ahora has usado los campos enteros: la IP, la URL, el estado. Pero a veces el dato que quieres está dentro de un campo: la hora va metida en [19/Nov/2026:10:15:32 y la extensión va al final de la URL. En esta lección aprendes las cinco funciones de texto de awk para medir, recortar, buscar y cambiar de mayúsculas a minúsculas.

¿De dónde vienen los nombres?

length = inglés length (longitud)
Cuenta cuántos caracteres tiene un texto. Es tu strlen() de PHP.
substr = sub-string (sub-cadena)
Un trozo de un texto. Se llama igual que en PHP, pero aquí la primera letra es la número 1, no la 0.
index = inglés index (índice)
Como el índice de un libro: te dice en qué posición está lo que buscas. Es tu strpos() de PHP.
tolower / toupper = inglés to lower / to upper (a minúsculas / a mayúsculas)
Lower case y upper case son las minúsculas y las mayúsculas. Son tus strtolower() y strtoupper() de PHP.
En 4 ideas
1/4

length($7) te dice cuántos caracteres tiene la URL. Es el strlen($url) de PHP.

1 · length: medir un texto

Empezamos por la más fácil. length(texto) cuenta los caracteres de un texto, como una regla que mide en letras. Este programa imprime lo que mide cada URL del log y, al lado, la URL:

awkprograma.awk
# En PHP: echo strlen($url), " ", $url, PHP_EOL;
{ print length($7), $7 }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -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.
  3. 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.

Como devuelve un número, puedes usarla en un patrón. Las URL larguísimas suelen ser ataques o errores, así que length($7) > 100 es un filtro que se usa de verdad.

  • length($7): lo que mide el campo 7.
  • length($0): lo que mide la línea entera.
  • length a secas, sin paréntesis: lo mismo que length($0).

2 · substr: recortar un trozo (y empieza en 1)

El campo 4 del log es [19/Nov/2026:10:15:32. La hora (10) está ahí dentro. Para sacarla hace falta recortar, y eso lo hace substr(texto, inicio, cuantos): «de este texto, empieza en esta posición y dame tantos caracteres».

Es como cortar una tira de papel con letras: dices en qué letra pones la tijera y cuántas letras te llevas. Cuenta con el dedo: el corchete [ es la letra 1, y el 1 de 10 es la letra 14.

PHP 8.5horas.php
<?php
$lineas = file("access.log", FILE_IGNORE_NEW_LINES);
foreach ($lineas as $linea) {
    $campos = explode(" ", $linea);
    // en PHP la primera letra es la 0: la hora empieza en la 13
    echo substr($campos[3], 13, 2), PHP_EOL;
}
awkprograma.awk
# En PHP: echo substr($campos[3], 13, 2), PHP_EOL;
{ print substr($4, 14, 2) }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -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.
  3. 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: 1,78 s · gawk: 679 ms · mawk: 519 ms. awk tarda 3,4 veces menos que PHP.

Misma función, mismo nombre, mismos tres argumentos. Lo único que cambia es desde dónde se cuenta: en PHP la primera letra es la 0 y en awk es la 1. Súmale 1 a la posición que usarías en PHP.

¿Por qué? · En PHP no existe

¿Por qué awk empieza a contar en 1 y no en 0, como PHP?

Porque en awk todo empieza en 1: el primer campo es $1, la primera línea es NR == 1, y la primera letra es la 1. Así no tienes que recordar dos formas de contar. PHP heredó el 0 del lenguaje C, donde la posición es «cuántas letras me salto».

¿Qué fallo trae si vienes de PHP? Que escribes substr($4, 13, 2) por costumbre. awk no da error: te devuelve :1, los dos caracteres de una posición antes. El programa funciona y el dato está mal. Si un recorte te sale desplazado una letra, es esto.

Tampoco existen las posiciones negativas de PHP. substr($url, -3) (las tres últimas letras) en awk se escribe con length: substr($7, length($7) - 2).

Si no pones el tercer argumento, substr se lleva hasta el final, igual que en PHP. Aquí sacamos el día (11 caracteres desde la posición 2) y la hora completa (desde la 14 hasta el final):

awkprograma.awk
# En PHP: echo substr($campos[3], 1, 11), " ", substr($campos[3], 13), PHP_EOL;
{ print substr($4, 2, 11), substr($4, 14) }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -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.
  3. 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.

3 · index: ¿dónde está?

index(texto, trozo) busca un trozo dentro de un texto y te dice en qué posición empieza. Si no lo encuentra, devuelve 0. Ojo: busca texto tal cual, no una expresión regular.

Vamos a sacar la extensión de las URL que tienen punto (/css/app.css → css). La URL no mide siempre lo mismo, así que primero buscamos el punto con index y después recortamos desde la letra siguiente con substr:

awkprograma.awk
# En PHP: if (str_contains($url, ".")) { echo substr($url, strpos($url, ".") + 1), " ", $url, PHP_EOL; }
index($7, ".") > 0 { print substr($7, index($7, ".") + 1), $7 }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -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.
  3. 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.

El patrón index($7, ".") > 0 se queda con las URL que tienen punto: es tu str_contains(). Y dentro de la acción, index($7, ".") + 1 es la posición de la letra que va justo detrás del punto.

¿Por qué? · En PHP no existe

¿Por qué index devuelve 0 cuando no lo encuentra, y no false como strpos?

En PHP, strpos("/login", "/") devuelve 0, porque la barra está en la posición 0. Y si no está, devuelve false. El problema es que 0 y false se parecen demasiado: if (strpos($url, "/")) falla justo cuando lo encuentra al principio. Por eso en PHP hay que escribir !== false, y por eso PHP 8 inventó str_contains().

En awk ese fallo no puede pasar. Como las posiciones empiezan en 1, el 0 queda libre para decir «no está». if (index($7, "/")) funciona siempre: cualquier posición es verdadera y el 0 es falso.

Es como los números de las casas de una calle: no hay casa número 0, así que si te dicen «vive en el 0» sabes que no vive en esa calle.

4 · tolower y toupper: que no importen las mayúsculas

Para awk, Googlebot, googlebot y GOOGLEBOT son tres textos distintos, igual que para PHP. Si buscas un bot en el log y no sabes cómo lo ha escrito, lo más fácil es pasar la línea a minúsculas y buscar en minúsculas:

awkprograma.awk
# En PHP: if (str_contains(strtolower($linea), "googlebot")) { echo $campos[0], " ", $campos[6], PHP_EOL; }
index(tolower($0), "googlebot") > 0 { print $1, $7 }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -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.
  3. 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.

tolower($0) no cambia la línea: devuelve una copia en minúsculas, y es en esa copia donde busca index. Por eso $1 y $7 salen después tal como estaban. toupper hace lo contrario, y se puede combinar con las demás:

awkprograma.awk
# En PHP: echo strtoupper(substr($campos[5], 1)), " ", strtolower($campos[7]), PHP_EOL;
{ print toupper(substr($6, 2)), tolower($8) }
$ awk -f programa.awk access.log
¿Qué significa esta línea?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -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.
  3. 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.

Fíjate en cómo se leen: de dentro hacia fuera, como en PHP. substr($6, 2) le quita la comilla a "GET, y a ese resultado se le aplica toupper.

5 · La chuleta: PHP frente a awk

Las cinco funciones, con su pareja de PHP. Todas devuelven el resultado y dejan el texto original como estaba.

QuieresPHPawkOjo
Cuánto midestrlen($s)length(s)length a secas mide $0
Un trozosubstr($s, 13, 2)substr(s, 14, 2)PHP empieza en 0, awk en 1
Hasta el finalsubstr($s, 13)substr(s, 14)sin posiciones negativas
Dónde estástrpos($s, ".")index(s, ".")si no está: false en PHP, 0 en awk
¿Lo contiene?str_contains($s, ".")index(s, ".") > 0texto literal, no regex
A minúsculasstrtolower($s)tolower(s)devuelve una copia
A mayúsculasstrtoupper($s)toupper(s)devuelve una copia

La pregunta que te vas a hacer

¿Y trim(), str_replace(), explode(), ucfirst()…? En PHP tengo cien funciones de texto.

awk tiene muy pocas, a propósito: caben en una página del manual. Lo que falta se construye con las que hay. Un ucfirst(), por ejemplo, es toupper(substr(s, 1, 1)) substr(s, 2): la primera letra en mayúscula, pegada al resto.

Las que más vas a echar de menos llegan en las próximas lecciones: split (tu explode), sub y gsub (tu str_replace y tu preg_replace, con las que también se hace el trim) y match (tu preg_match).

Hora de practicar

Retos · 0/4 resueltos

Reto 1 de 4

La hora de cada visita

El programa quiere imprimir la hora (dos cifras) y la URL de cada visita, pero está escrito pensando en PHP y recorta mal. Arréglalo para que la primera línea sea 10 /. La hora está dentro del campo 4, [19/Nov/2026:10:15:32. En PHP sería substr($campos[3], 13, 2).

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?
  1. awk: el programa que lee el fichero. En tu servidor puede ser gawk (el de este curso) o mawk (el de Debian y Ubuntu).
  2. -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.
  3. 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.

Resumen

Lo que te llevas de esta lección

  1. length(s) mide un texto: es strlen($s). Sin paréntesis mide la línea entera.
  2. substr(s, inicio, cuantos) recorta, como en PHP, pero la primera letra es la 1. Sin el tercer argumento llega hasta el final.
  3. La hora del log es substr($4, 14, 2). En PHP sería substr($campos[3], 13, 2).
  4. index(s, trozo) dice dónde está el trozo y devuelve 0 si no está. Es strpos() sin el lío del false; index(...) > 0 es tu str_contains().
  5. tolower(s) y toupper(s) devuelven una copia: son strtolower() y strtoupper(). Para buscar sin que importen las mayúsculas: index(tolower($0), "bot").

Para recordarlo: «awk cuenta con los dedos: el primero es el 1»

Nadie cuenta con los dedos empezando por el cero. En awk la primera letra es la 1, como el primer campo y la primera línea. Y como el 0 no es ninguna letra, index lo usa para decir «no está».

Los programas se ejecutan con GNU awk 5.4.1 compilado a WebAssembly, software libre con licencia GPL-3.0. Código fuente: gawk en ftp.gnu.org · receta de compilación.