Lección 21 de 31 · Texto y fechas✦ WebMCP implementado
match: sacar el navegador del user agent
9 min de lectura4 retos
Con ~ sabes si una línea contiene algo. Pero a veces quieres el trozo que ha coincidido: no «¿esta visita es de Firefox?», sino «¿de qué versión de Firefox?». En PHP eso es preg_match() con su tercer argumento. En awk es match(), que tiene una forma clásica que funciona en cualquier awk y otra, más cómoda, que solo existe en gawk.
¿De dónde vienen los nombres?
match = inglés match (coincidir, casar)
Busca una regex en un texto y te dice dónde ha coincidido. Es tu preg_match() de PHP.
RSTART = Regex START (inicio de la coincidencia)
La posición donde empieza lo que ha encontrado el último match(). Vale 0 si no ha encontrado nada.
RLENGTH = Regex LENGTH (longitud de la coincidencia)
Cuántos caracteres mide lo que ha encontrado el último match(). Vale -1 si no ha encontrado nada.
En 4 ideas
1/4
match(texto, /regex/) es el preg_match() de PHP: devuelve la posición donde coincide (0 si no coincide), así que sirve directamente como patrón o en un if.
Además deja dos variables rellenas: RSTART (dónde empieza) y RLENGTH (cuánto mide). En PHP lo más parecido es preg_match() con PREG_OFFSET_CAPTURE.
substr(texto, RSTART, RLENGTH) es el trozo que ha coincidido: el $m[0] de PHP. Funciona en cualquier awk.
Solo gawk: con un tercer argumento, match(texto, /re(…)/, m), los paréntesis se guardan en m[1], m[2]… igual que en preg_match($re, $texto, $m).
1 · match: no solo «sí o no», también «dónde»
El user agent (el texto con el que se presenta el navegador) de un Firefox termina en Firefox/131.0. Con $0 ~ /Firefox/ sabes que la visita es de Firefox, pero la versión se te escapa. match() hace la misma pregunta y, además, apunta dónde ha encontrado la respuesta.
Es como buscar una palabra en un libro con un rotulador fluorescente: no te quedas con un «sí, sale», sino con la palabra subrayada.
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.
match(texto, /regex/) devuelve la posición donde empieza la coincidencia, o 0 si no hay ninguna. Por eso se puede poner como patrón: cualquier posición es «verdadero» y el 0 es «falso», lo mismo que viste con index.
Y al terminar deja rellenas dos variables que awk crea por su cuenta:
Variable
Qué guarda
Si no hay coincidencia
RSTART
la posición donde empieza lo encontrado (lo mismo que devuelve match)
0
RLENGTH
cuántos caracteres mide lo encontrado
-1
En la primera línea del log, Firefox/131 empieza en el carácter 134 y mide 11. Son justo los dos números que necesita substr.
2 · Recortar lo encontrado: substr con RSTART y RLENGTH
substr(texto, inicio, cuantos) pide una posición y una longitud. match te acaba de dejar las dos. Juntas, sacan el trozo que ha coincidido:
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.
Esta pareja, match + substr(…, RSTART, RLENGTH), es la forma portable: funciona en gawk, en mawk y en el awk de macOS. Es el $m[0] de PHP hecho a mano.
¿Y si solo quieres el número de versión? Haces cuentas con las dos variables. Firefox/ mide 8 caracteres: empiezas 8 más adelante y te llevas 8 menos.
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.
Otra forma portable, sin contar letras: recortas el trozo entero y lo partes con el split de la lección anterior. Sirve para varios navegadores a la vez:
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.
¿Por qué? · En PHP no existe
¿Por qué match deja el resultado en dos variables sueltas, y no en un array como preg_match?
Por la misma razón que split no devuelve el array: en awk una función solo puede devolver un valor, y match ya lo gasta en la posición. Para darte también la longitud, los autores crearon dos variables globales que match rellena cada vez. Son como el marcador de un campo de fútbol: solo enseña el resultado del último partido.
De ahí salen dos fallos que en PHP no existen:
Solo las rellena match(). Un patrón $0 ~ /Firefox/ o /Firefox/ no toca RSTART ni RLENGTH. Si después haces substr($0, RSTART, RLENGTH) sin haber llamado a match, recortas con los números de otra línea, o con ceros.
Cada match pisa el anterior. Si necesitas dos coincidencias, guarda las variables de la primera (inicio = RSTART) antes de llamar a la segunda.
En PHP el resultado va en el $m que tú le das, así que nadie te lo pisa. gawk copió esa idea: es lo que ves en la sección siguiente.
3 · El tercer argumento: capturas como en preg_match (Solo gawk)
Solo gawk. Si a match le das un tercer argumento, un array, gawk guarda en él lo que ha encontrado cada paréntesis de la regex. Es exactamente el $m de preg_match():
PHP 8.5navegadores.php
<?php$lineas = file("access.log", FILE_IGNORE_NEW_LINES);
foreach ($lineasas$linea) {
// $m[0] es todo lo encontrado; $m[1] y $m[2], los paréntesisif (preg_match('/(Firefox|Chrome)\/([0-9]+)/', $linea, $m)) {
echo$m[1], " versión ", $m[2], PHP_EOL;
}
}
awkprograma.awk
# En PHP: if (preg_match('/(Firefox|Chrome)\/([0-9]+)/', $linea, $m)) { echo $m[1], " versión ", $m[2], PHP_EOL; }match($0, /(Firefox|Chrome)\/([0-9]+)/, m) { print m[1], "versión", m[2] }
$ 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: 993 ms · gawk: 3,08 s. Aquí PHP gana: awk tarda 3,1 veces más.
Los números coinciden con los de PHP, y es de las pocas veces en awk que algo empieza en 0:
PHP
gawk
Qué hay
$m[0]
m[0]
todo lo que ha coincidido: Firefox/131
$m[1]
m[1]
el primer paréntesis: Firefox
$m[2]
m[2]
el segundo paréntesis: 131
Sin paréntesis en la regex no hay capturas: solo existe m[0]. Y RSTART y RLENGTH se siguen rellenando igual, uses o no el tercer argumento.
4 · Navegador y versión de cada visita
Vamos a por el objetivo de la lección: contar las visitas por navegador y versión. Hay una trampa que no es de awk, sino de los navegadores: el user agent de Chrome también dice Safari. Míralo en la pestaña access.log: … Chrome/130.0.0.0 Safari/537.36.
Por eso el orden importa. Primero se buscan los nombres que no engañan (los bots, curl, Firefox, Chrome) y solo si ninguno aparece se mira si es un Safari de verdad, que guarda su versión detrás de Version/:
awkprograma.awk
{
navegador = "otro"
version = "-"# En PHP: if (preg_match('/(Googlebot|curl|python-requests|Firefox|Chrome)\/([0-9]+)/', $linea, $m)) { … }if (match($0, /(Googlebot|curl|python-requests|Firefox|Chrome)\/([0-9]+)/, m)) {
navegador = m[1]
version = m[2]
} elseif (match($0, /Version\/([0-9]+).* Safari\//, m)) {
navegador = "Safari"
version = m[1]
}
visitas[navegador " " version]++
}
END {
# En PHP: ksort($visitas);# 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 visitas[clave], 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 línea pasa por el if: el primer match que acierta rellena m y decide el nombre. Después se cuenta en un array, como en el módulo 05, con la clave «navegador versión».
La pregunta que te vas a hacer
¿Por qué el user agent de Chrome dice Mozilla, AppleWebKit y Safari, si es Chrome?
Por historia. Hace años las webs miraban el user agent y solo mandaban la versión buena de la página a los navegadores que conocían. Cada navegador nuevo, para que no lo dejaran fuera, se presentaba también con el nombre de los anteriores. Chrome nació del motor de Safari (WebKit) y heredó su presentación entera.
Por eso no hay una regex perfecta para esto, ni en awk ni en PHP: lo que hay son listas ordenadas de pistas, como la del ejemplo. Para tu log, con buscar en orden «bots, Firefox, Chrome y, si no, Safari» aciertas casi siempre.
Imprime el método de cada petición (sin la comilla) y la URL: GET /. El programa ya encuentra "GET con match, pero recorta también la comilla. Ajusta los números del substr. En PHP sería preg_match('/"([A-Z]+)/', $linea, $m) y $m[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. La comilla es el primer carácter de lo encontrado. Empieza una posición más adelante (RSTART + 1) y llévate un carácter menos (RLENGTH - 1).
Reto 2 de 4 · ✓ Resuelto
Firefox o Chrome, con su versión
De las visitas hechas con Firefox o con Chrome, imprime la IP y el navegador con su versión: 203.0.113.7 Firefox/131. El programa filtra bien las líneas, pero el recorte le sale vacío. En PHP sería preg_match('/(Firefox|Chrome)\/[0-9]+/', $linea, $m) y $m[0].
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.RSTART y RLENGTH solo los rellena la función match(). El operador ~ contesta «sí o no» y no apunta nada. Cambia el patrón por match($0, /…/).
Reto 3 de 4 · ✓ Resuelto
La fecha, del revés (Solo gawk)
Imprime la fecha de cada visita como año-mes-día y la URL: 2026-Nov-19 /. Usa el tercer argumento de match para capturar el día, el mes y el año del campo 4. El programa ya imprime m[3], m[2] y m[1], pero salen vacíos: a la regex le falta algo. En PHP sería preg_match('/([0-9]+)\/([A-Za-z]+)\/([0-9]+)/', $campos[3], $m).
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 $1 }' access.log.
access.log: los datos, el fichero que awk lee línea a línea. Va siempre al final y puede haber varios: los lee uno detrás de otro.
Las variantes (una línea, varios ficheros, tuberías con |) y qué formatos puede leer awk: lección Una línea o un fichero.
Pista. Sin paréntesis no hay capturas: solo existe m[0]. Envuelve entre paréntesis cada trozo que quieras guardar: el día, el mes y el año.
Reto 4 de 4 · ✓ Resuelto
Visitas por navegador (Solo gawk)
Cuenta las visitas de cada navegador (sin versión) e imprímelas ordenadas por nombre: Chrome 4. El programa mira primero si la línea dice Safari… y cuenta los Chrome como Safari. Cambia el orden de las comprobaciones. En PHP sería un if (preg_match(...)) { … } elseif (str_contains($linea, "Safari/")) { … }.
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. El user agent de Chrome termina en Safari/537.36: si preguntas primero por Safari, Chrome cae ahí. Pon primero el match de los nombres que no engañan y deja Safari para el else if.
Resumen
Lo que te llevas de esta lección
match(texto, /regex/) devuelve la posición de la coincidencia o 0: vale como patrón, igual que if (preg_match(...)).
Deja RSTART (dónde empieza) y RLENGTH (cuánto mide). Sin coincidencia valen 0 y -1.
substr(texto, RSTART, RLENGTH) es lo encontrado, el $m[0] de PHP, y funciona en cualquier awk.
Solo match() rellena RSTART y RLENGTH; un ~ no. Y cada match pisa los del anterior.
Solo gawk: match(texto, /(a)(b)/, m) guarda las capturas en m[1], m[2], como preg_match($re, $texto, $m). En mawk: match + substr + split.
Al buscar el navegador, el orden importa: Chrome también dice Safari, así que Safari se mira el último.
Para recordarlo: «RSTART dice dónde, RLENGTH dice cuánto»
Son justo los dos números que pide substr: substr(texto, RSTART, RLENGTH). Y como el marcador del campo, solo enseñan el resultado del último match.