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 5 de 31 · Campos y separadores ✦ WebMCP implementado

FS y -F: tú decides dónde se corta

9 min de lectura 4 retos

Hasta ahora awk cortaba cada línea por los espacios, y tú no decidías nada. En esta lección eliges tú el cuchillo: un punto y coma, dos puntos o lo que haga falta. Es el primer argumento de tu explode() de PHP, y aquí se llama FS.

¿De dónde vienen los nombres?

FS = Field Separator (separador de campos)
La variable de awk que guarda por dónde se corta cada línea. Es el primer argumento de explode(";", $linea) en PHP.
-F = la F de field separator
La misma idea, pero dicha desde la línea de comando: awk -F ';' es «corta por los punto y coma». Va en mayúscula; la -f minúscula es otra cosa (file, el fichero del programa).
CSV = Comma-Separated Values (valores separados por comas)
Un fichero de texto con una fila por línea y las columnas separadas por un carácter. El nombre dice «comas», pero en España casi todos llevan punto y coma, porque la coma ya se usa en los decimales.
BEGIN = inglés begin (empezar)
Lo que pongas en BEGIN { … } se ejecuta una sola vez, antes de leer la primera línea. Aquí solo lo usamos para preparar FS; lo verás a fondo en el módulo 03.
NR = Number of Records (número de registros)
El número de la línea que awk está leyendo: 1 en la primera, 2 en la segunda… Aquí lo usamos para saltar la cabecera; tiene su propia lección dentro de dos.
En 4 ideas
1/4

awk corta cada línea por los espacios porque nadie le ha dicho otra cosa. FS es por dónde corta: el primer argumento de tu explode(";", $linea).

1 · Cuando los espacios no valen

Tu web, además del log, tiene una lista de usuarios exportada a un fichero: usuarios.csv. Cada línea es un usuario y los datos van separados por punto y coma. La primera línea es la cabecera, con el nombre de cada columna.

Vamos a pedirle a awk el primer campo, como en el módulo anterior. Antes de ejecutar, abre la pestaña usuarios.csv y piensa qué debería salir.

awkprograma.awk
# En PHP: echo preg_split('/\s+/', trim($linea))[0], PHP_EOL;
{ print $1 }
$ awk -f programa.awk usuarios.csv
¿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. usuarios.csv: 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.

Querías el id y ha salido 1;Ana, 2;Luis… awk ha cortado por el único espacio que ha encontrado: el que hay entre el nombre y el apellido. Los punto y coma, para él, son letras como otras cualquiera.

Es como cortar una barra de pan con los ojos cerrados: cortas donde notas un hueco, no donde querías. Hay que decirle a awk dónde está la marca.

2 · -F: decirlo al ejecutar

La forma más corta es la opción -F de la línea de comando, seguida del separador. Mira la línea de comando que sale debajo del código: ahora es awk -F ';' -f programa.awk usuarios.csv.

PHP 8.5nombres.php
<?php
$lineas = file("usuarios.csv", FILE_IGNORE_NEW_LINES);
foreach ($lineas as $linea) {
    // trocear por el punto y coma
    $campos = explode(";", $linea);
    // el segundo trozo es el nombre
    echo $campos[1], PHP_EOL;
}
awkprograma.awk
# En PHP: echo explode(";", $linea)[1], PHP_EOL;
{ print $2 }
$ awk -F ';' -f programa.awk usuarios.csv
¿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 ;: F de field separator (separador de campos). Corta cada línea por ; en vez de por los espacios. Es tu explode(";", $linea).
  3. -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.
  4. usuarios.csv: 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 usuarios.csv multiplicado hasta 1.000.001 líneas: PHP 8.5: 838 ms · gawk: 469 ms · mawk: 269 ms. awk tarda 3,1 veces menos que PHP.

Ahora $2 es el nombre completo, con su apellido. Al cortar por ;, el espacio de «Ana Ruiz» deja de ser especial: es parte del dato. El programa es el mismo de siempre; lo único que ha cambiado es el cuchillo.

Fíjate en que la primera línea de la salida es nombre. Es la cabecera del CSV: para awk es una línea más. Enseguida la quitamos.

3 · FS: decirlo dentro del programa

Si el programa solo funciona con punto y coma, lo lógico es que lo lleve escrito dentro. Así no depende de que alguien se acuerde de poner -F al ejecutarlo. El separador vive en una variable de awk que se llama FS, y se le da valor en un bloque especial, BEGIN:

awkprograma.awk
# En PHP: $separador = ";";
BEGIN { FS = ";" }
# En PHP: echo $campos[1], " ", $campos[3], PHP_EOL;
{ print $2, $4 }
$ awk -f programa.awk usuarios.csv
¿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. usuarios.csv: 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.

BEGIN { … } es una regla que awk ejecuta una sola vez, antes de leer la primera línea. Es como afilar el cuchillo antes de empezar a cortar. De momento solo lo usamos para esto; en el módulo 03 verás todo lo que da de sí.

Queda la cabecera. No es un usuario, así que sobra. awk lleva la cuenta de por qué línea va en la variable NR: vale 1 en la primera línea, 2 en la segunda… Si pones NR > 1 como patrón, la acción solo se ejecuta de la segunda línea en adelante:

awkprograma.awk
BEGIN { FS = ";" }
# En PHP: if ($numero_de_linea > 1) { echo $campos[1], " ", $campos[3], PHP_EOL; }
NR > 1 { print $2, $4 }
$ awk -f programa.awk usuarios.csv
¿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. usuarios.csv: 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 > es el «mayor que» de PHP. Las comparaciones se ven con calma en el módulo 03 y NR tiene su propia lección en este; por ahora quédate con la receta: NR > 1 salta la cabecera.

En PHP, para leer un CSV de verdad no usarías explode, sino fgetcsv, que lee una línea y la devuelve ya troceada. Es lo más parecido a lo que hace awk:

PHP 8.5emails.php
<?php
$fichero = fopen("usuarios.csv", "r");
$numero_de_linea = 0;
// fgetcsv lee una línea y la devuelve troceada por el separador
while (($campos = fgetcsv($fichero, separator: ";", escape: "")) !== false) {
    $numero_de_linea++;
    // la primera línea es la cabecera: fuera
    if ($numero_de_linea > 1) {
        echo $campos[1], " ", $campos[2], PHP_EOL;
    }
}
fclose($fichero);
awkprograma.awk
# En PHP: fgetcsv($fichero, separator: ";")
BEGIN { FS = ";" }
# En PHP: if ($numero_de_linea > 1) { echo $campos[1], " ", $campos[2], PHP_EOL; }
NR > 1 { print $2, $3 }
$ awk -f programa.awk usuarios.csv
¿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. usuarios.csv: 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 usuarios.csv multiplicado hasta 1.000.001 líneas: PHP 8.5: 5,04 s · gawk: 959 ms · mawk: 310 ms. awk tarda 16,3 veces menos que PHP.

QuieresPHPawk
Cortar por ;explode(";", $linea)-F ';' o BEGIN { FS = ";" }
Cortar por espaciospreg_split('/\s+/', trim($linea))nada: es lo que hace por defecto
Saltar la cabeceraun contador y un ifNR > 1 delante de la acción

4 · El fallo clásico: FS llega tarde

Viniendo de PHP, lo natural es poner el separador «justo antes de usarlo», dentro de la acción. Pruébalo y mira bien la primera línea de la salida:

awkprograma.awk
# En PHP: $campos = explode(";", $linea); echo $campos[1], PHP_EOL;
{ FS = ";"; print $2 }
$ awk -f programa.awk usuarios.csv
¿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. usuarios.csv: 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.

Todos los nombres salen bien… menos el primero. Donde debería poner nombre hay una línea vacía. No hay ningún mensaje de error. Solo falta un dato.

¿Por qué? · En PHP no existe

¿Por qué la primera línea sale mal, si FS ya vale ;?

Porque awk trabaja en este orden: primero lee la línea y la corta, y después ejecuta tu acción. Cuando tu acción cambia FS, la línea 1 ya está cortada con el separador viejo (los espacios). Como la cabecera no tiene espacios, toda ella es $1 y $2 está vacío.

El FS nuevo se estrena en la línea 2. Por eso el resto sale bien, y por eso el fallo es tan difícil de ver: en un fichero de mil líneas, falla una.

En PHP esto no te puede pasar, porque el explode lo llamas tú, en la línea que tú quieres. awk te quita ese trabajo, y a cambio el separador tiene que estar listo antes de que él empiece a leer. Es como elegir el molde antes de meter la masa en el horno: después ya no cambia la forma.

La solución es la que ya conoces: BEGIN { FS = ";" } o -F ';'. Los dos actúan antes de la primera línea.

5 · Un carácter, una regex o nada

FS no es solo para ficheros CSV. Vale cualquier carácter. En el log, la hora va pegada a la fecha con dos puntos: [19/Nov/2026:10:15:32. Si cortas por los dos puntos, el segundo trozo es la hora:

awkprograma.awk
# En PHP: echo explode(":", $linea)[1], PHP_EOL;
BEGIN { FS = ":" }
{ print "Visita a las " $2 " horas" }
$ 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.

Y si un solo carácter no basta, FS puede ser una expresión regular, como cuando en PHP pasas de explode() a preg_split(). Entre corchetes pones los caracteres que valen como separador. Con [;@] awk corta por el punto y coma y también por la arroba, así que el email queda partido en dos campos:

awkprograma.awk
# En PHP: $campos = preg_split('/[;@]/', $linea);
BEGIN { FS = "[;@]" }
# En PHP: echo $campos[1], " ", $campos[3], PHP_EOL;
NR > 1 { print $2, $4 }
$ awk -f programa.awk usuarios.csv
¿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. usuarios.csv: 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.

Ahora $3 es lo de antes de la arroba y $4 el dominio. Las columnas de detrás se han corrido un sitio: el rol ya no es $4, es $5. Del mismo modo, [;,] serviría para un CSV que mezcla punto y coma con comas. Las expresiones regulares tienen su lección en el módulo 03; aquí solo necesitas los corchetes.

FS valeawk corta porEn PHP
nada (por defecto)espacios y tabuladores; varios seguidos cuentan como uno y los del principio se ignoranpreg_split('/\s+/', trim($linea))
un carácter: ;cada punto y coma, uno a unoexplode(";", $linea)
una regex: [;@]cada punto y coma y cada arrobapreg_split('/[;@]/', $linea)

¿Por qué? · En PHP no existe

¿Por qué con espacios «varios cuentan como uno» y con ; no?

Porque sirven para cosas distintas. Los espacios se usan para alinear texto a ojo: si hay tres seguidos, nadie quiere dos campos vacíos en medio. Por eso el modo por defecto los junta. En PHP tendrías que acordarte de preg_split('/\s+/', …) y de un trim(), porque explode(" ", …) te devuelve trozos vacíos.

En un CSV es al revés: dos punto y coma seguidos (ana;;admin) significan «aquí hay una columna vacía», y juntarlos descolocaría todas las columnas de detrás. Por eso, con un carácter que no sea el espacio, awk corta en cada uno, igual que explode.

La pregunta que te vas a hacer

¿Y un CSV de Excel, con comillas y con comas dentro de un dato?

Ahí FS se queda corto. En una línea como 7;"Polo; Eva";admin, el punto y coma de dentro de las comillas no es un separador, pero FS no lo sabe y corta igual. fgetcsv de PHP sí entiende las comillas: para eso existe.

awk tiene salida para esto y la verás en el módulo 07 (lección de registros y CSV), porque es Solo gawk. Mientras tanto, la regla práctica: FS va perfecto con ficheros que generas tú o cuyo formato conoces (logs, exportaciones sencillas, /etc/passwd). Para un CSV cualquiera que te manda un cliente, sigue usando fgetcsv.

Hora de practicar

Retos · 0/4 resueltos

Reto 1 de 4

Nombre y rol

El programa se ejecuta con -F ';' (míralo en la línea de comando) sobre usuarios.csv, pero imprime el id. Cámbialo para que imprima el nombre y el rol separados por un espacio: Ana Ruiz admin. La cabecera también sale (nombre rol): es una línea más. En PHP sería echo $campos[1], " ", $campos[3], PHP_EOL; después de un explode(";", $linea).

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 ';' -f programa.awk usuarios.csv
¿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 ;: F de field separator (separador de campos). Corta cada línea por ; en vez de por los espacios. Es tu explode(";", $linea).
  3. -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.
  4. usuarios.csv: 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. FS es por dónde corta awk cada línea. En PHP es el primer argumento de explode(";", $linea).
  2. Dos formas de ponerlo: awk -F ';' al ejecutar o BEGIN { FS = ";" } dentro del programa.
  3. FS se pone antes de leer. Dentro de una acción llega tarde: la línea actual ya está cortada. En PHP no pasa porque el explode lo llamas tú.
  4. NR > 1 delante de la acción salta la cabecera de un CSV: es tu contador de líneas con un if.
  5. Sin FS, awk corta por espacios y junta los que van seguidos: tu preg_split('/\s+/', trim($linea)). Con un carácter corta en cada uno, como explode.
  6. FS admite una regex: FS = "[;@]" es tu preg_split('/[;@]/', $linea).

Para recordarlo: «El cuchillo se elige antes de cortar»

FS es el cuchillo y awk corta cada línea antes de ejecutar tu acción. Por eso el cuchillo se elige al principio: en BEGIN o con -F. Si lo cambias a mitad, la línea que tienes delante ya está cortada con el viejo.

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.