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 20 de 31 · Texto y fechas ✦ WebMCP implementado

split, sub y gsub: el explode y el preg_replace

10 min de lectura 5 retos

Con substr recortas cuando sabes la posición. Pero muchas veces lo que quieres es partir un texto por un separador, o cambiar unos caracteres por otros: quitar los corchetes de la fecha, las comillas del método. En PHP son explode() y preg_replace(). En awk son split, sub y gsub, y las tres se usan al revés de como estás acostumbrado: no te devuelven el resultado.

¿De dónde vienen los nombres?

split = inglés split (partir, dividir)
Parte un texto en trozos por un separador y los guarda en un array. Es tu explode() de PHP.
sub = substitute (sustituir)
Cambia la primera aparición de una regex por otro texto. Es un preg_replace() con límite 1.
gsub = global substitute (sustitución global)
Lo mismo que sub, pero cambia todas las apariciones. La g es la misma de /regex/g en JavaScript o en sed.
gensub = general substitute (sustitución general)
La versión de gawk que hace de sub y de gsub y además devuelve el texto cambiado, como preg_replace().
En 4 ideas
1/4

split(texto, partes, ":") es el explode(":", $texto) de PHP, con tres diferencias: el texto va primero, el array lo rellena en el segundo argumento y los trozos se numeran desde 1.

1 · split: el explode de awk

El campo 4 del log es [19/Nov/2026:10:15:32. Si lo partes por los dos puntos salen cuatro trozos: [19/Nov/2026, 10, 15 y 32. Es como cortar una tableta de chocolate por las rayas: tú dices cuál es la raya (el separador) y te quedas con las onzas.

PHP 8.5partir.php
<?php
$lineas = file("access.log", FILE_IGNORE_NEW_LINES);
foreach ($lineas as $linea) {
    $campos = explode(" ", $linea);
    // explode DEVUELVE el array y los trozos empiezan en el 0
    $partes = explode(":", $campos[3]);
    $cuantos = count($partes);
    echo $cuantos, " trozos: ", $partes[1], "h ", $partes[2], "min", PHP_EOL;
}
awkprograma.awk
{
    # En PHP: $partes = explode(":", $campos[3]); $cuantos = count($partes);
    cuantos = split($4, partes, ":")
    # En PHP: echo $cuantos, " trozos: ", $partes[1], "h ", $partes[2], "min", PHP_EOL;
    print cuantos " trozos: " partes[2] "h " partes[3] "min"
}
$ 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: 2,74 s · gawk: 1,97 s · mawk: 870 ms. awk tarda 3,2 veces menos que PHP.

Hace lo mismo, pero fíjate en las tres diferencias:

PHP: explodeawk: split
Ordenexplode(separador, texto)split(texto, array, separador)
El arraylo devuelvelo rellena en el segundo argumento
Qué devuelveel arraycuántos trozos hay
Primer trozo$partes[0]partes[1]

¿Por qué? · En PHP no existe

¿Por qué split no devuelve el array, como explode?

Porque en awk una función no puede devolver un array: solo un número o un texto. Es una limitación del lenguaje desde 1977. La solución fue darle la vuelta: tú le pasas el nombre de un array y split te lo deja relleno. Si el array tenía algo de antes, lo vacía primero.

A cambio, lo que devuelve es útil: el número de trozos. En PHP harías count($partes) después; aquí lo tienes en la misma línea.

¿Qué fallo nuevo trae? Escribir partes = split($4, ":") por costumbre. gawk se para con el error split: second argument is not an array (el segundo argumento no es un array). Recuerda el orden: qué parto, dónde lo guardo, por dónde corto.

El separador puede ser una expresión regular, como en preg_split(). Aquí quitamos el corchete con substr y partimos por barras o dos puntos a la vez. Salen seis trozos: día, mes, año, hora, minuto y segundo.

awkprograma.awk
{
    # En PHP: $f = preg_split('/[\/:]/', substr($campos[3], 1));
    split(substr($4, 2), f, /[\/:]/)
    # En PHP: echo $f[2], " ", $f[1], " ", $f[0], " a las ", $f[3], PHP_EOL;
    print f[3], f[2], f[1], "a las", f[4]
}
$ 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 con el separador -F '"' de la lección de anatomía del log, el campo 2 es la petición entera: GET /consulta HTTP/1.1. Con split la partes en método, URL y protocolo:

awkprograma.awk
{
    # En PHP: [$metodo, $url, $protocolo] = explode(" ", $peticion);
    split($2, peticion, " ")
    print peticion[1], peticion[2]
}
$ awk -F '"' -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 ": 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. 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.

2 · sub: cambia la variable, no devuelve el texto

Ahora, sustituir. sub(/regex/, reemplazo, variable) busca la regex dentro de la variable y cambia la primera aparición por el reemplazo. Vamos a quitarle el corchete a la fecha (sustituirlo por nada):

awkprograma.awk
{
    fecha = $4
    # En PHP: $fecha = preg_replace('/\[/', "", $fecha, 1);
    sub(/\[/, "", fecha)
    print fecha
}
$ 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.

Mira bien la línea del sub: no hay ningún =. En PHP escribes $fecha = preg_replace(...) porque preg_replace te devuelve un texto nuevo. sub no devuelve el texto: entra en la variable fecha y la cambia por dentro.

Es la diferencia entre un pintor que te trae un cuadro nuevo (PHP) y uno que viene a tu casa y te pinta la pared (awk). Con el segundo no tienes que recoger nada: la pared ya está cambiada.

¿Y qué devuelve entonces? Cuántos cambios ha hecho. Compruébalo:

awkprograma.awk
{
    fecha = $4
    # sub devuelve cuántos cambios hizo (0 o 1), no el texto
    cambios = sub(/\[/, "", fecha)
    print cambios, fecha
}
$ 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.

¿Por qué? · En PHP no existe

¿Por qué sub cambia la variable en vez de devolver el texto, como preg_replace?

Porque awk nació para escribir programas de una línea, y lo más corto es sub(/a/, "b"): sin variable, sin =, cambia la línea que se está leyendo y listo. Devolver el número de cambios permite además usarla como condición: if (sub(/\[/, "", fecha)) es «si había corchete y lo he quitado».

El fallo que trae si vienes de PHP es uno de los más traicioneros de awk: escribir fecha = sub(/\[/, "", fecha). No da error. sub cambia fecha… y a continuación el = la pisa con lo que sub devuelve, que es un 1. Te quedas con un 1 donde esperabas una fecha.

Regla: sub y gsub van solas en su línea, sin = delante. Si ves un = delante de un sub, casi seguro es un fallo (salvo que de verdad quieras contar los cambios).

3 · sub cambia la primera; gsub, todas

gsub se usa igual que sub, pero no para en la primera: cambia todas las apariciones. La g es de global. Aquí las dos, sobre las URL de la bodega, cambiando la barra por > :

awkprograma.awk
$7 ~ /^\/bodega/ {
    primera = $7
    todas = $7
    # En PHP: $primera = preg_replace('/\//', " > ", $primera, 1);
    sub(/\//, " > ", primera)
    # En PHP: $todas = preg_replace('/\//', " > ", $todas);
    gsub(/\//, " > ", todas)
    print primera "   |   " todas
}
$ 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.

En PHP la diferencia es el cuarto argumento de preg_replace (el límite). En awk son dos funciones con nombre distinto, y confundirlas es fácil: con sub el programa funciona, pero solo arregla el primer caso de cada línea.

Como gsub devuelve cuántos cambios ha hecho, sirve también para contar. ¿Cuántas barras tiene cada URL? Cambia cada barra por una barra (o sea, no cambia nada) y quédate con la cuenta:

awkprograma.awk
{
    url = $7
    # En PHP: echo substr_count($url, "/"), " ", $url, PHP_EOL;
    print gsub(/\//, "/", url), $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.

QuieresPHPawk
Cambiar la primera$s = preg_replace('/a/', "b", $s, 1);sub(/a/, "b", s)
Cambiar todas$s = preg_replace('/a/', "b", $s);gsub(/a/, "b", s)
Saber cuántas cambióquinto argumento, $cuantaslo que devuelve: n = gsub(...)
Contar aparicionessubstr_count($s, "a")n = gsub(/a/, "a", s)

4 · & en el reemplazo: «lo que has encontrado»

A veces no quieres quitar lo que encuentras, sino envolverlo: ponerle algo delante y detrás. En el texto de reemplazo, el símbolo & significa «lo que ha encontrado la regex». Aquí marcamos los estados de error (los que empiezan por 4 o por 5):

awkprograma.awk
{
    estado = $9
    # En PHP: $estado = preg_replace('/^[45]../', '<<$0>>', $estado);
    sub(/^[45]../, "<<&>>", estado)
    print estado, $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.

Los 200 salen igual, porque la regex no los encuentra y sub no hace nada. Los 404 salen como <<404>>: el & se ha cambiado por el 404 que encontró. En preg_replace eso mismo se escribe $0.

5 · Limpiar los campos del log

El log de nginx viene con adornos: la fecha entre corchetes y la petición entre comillas. Por eso $4 empieza por [ y $6 por ". Con un solo gsub se quitan todos.

Si a sub o a gsub no les das el tercer argumento, trabajan sobre $0, la línea entera. Y cuando $0 cambia, awk vuelve a trocearla en campos:

awkprograma.awk
{
    # En PHP: $linea = preg_replace('/[\[\]"]/', "", $linea);
    gsub(/[\[\]"]/, "")
    print $4, $5, $6, $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.

La regex [\[\]"] es una lista de tres caracteres: corchete que abre, corchete que cierra y comillas. Después del gsub, $4 ya es 19/Nov/2026:10:15:32 y $6 ya es GET, sin adornos.

También puedes limpiar un solo campo. Eso sí: al cambiar un campo, awk reconstruye $0 con OFS, como viste en la lección de NR, NF y OFS.

awkprograma.awk
{
    # En PHP: $campos[5] = str_replace('"', "", $campos[5]);
    sub(/"/, "", $6)
    print $6, $7, $9
}
$ 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.

La pregunta que te vas a hacer

¿Y esto me cambia el fichero access.log? ¿Cómo guardo el log ya limpio?

No lo cambia. awk nunca toca el fichero que lee: sub y gsub cambian la copia de la línea que tiene en memoria, y lo que ves es lo que imprime. Es como en PHP: un preg_replace() sobre lo que leíste con file() no cambia el fichero hasta que haces file_put_contents().

Para guardar el resultado, en la terminal de tu servidor mandas la salida a otro fichero con >. Por ejemplo, un log con las IP anonimizadas (el último número cambiado por un 0), que es algo que la ley de protección de datos te puede pedir:

awkprograma.awkSolo lectura: el fichero nuevo se crea en la terminal
# anonimizar.awk
{
    # En PHP: $campos[0] = preg_replace('/[0-9]+$/', "0", $campos[0], 1);
    sub(/[0-9]+$/, "0", $1)
    print
}
$ awk -f anonimizar.awk access.log > access-anonimo.log
$ head -n 3 access-anonimo.log | cut -c 1-60
203.0.113.0 - - [19/Nov/2026:10:15:32 +0100] "GET / HTTP/1.1
203.0.113.0 - - [19/Nov/2026:10:15:33 +0100] "GET /css/app.c
198.51.100.0 - - [19/Nov/2026:10:15:40 +0100] "POST /contact

Nunca mandes la salida al mismo fichero que lees (> access.log): la terminal lo vacía antes de que awk empiece y te quedas sin log. Escribir ficheros desde dentro de awk lo ves en el módulo 07.

6 · gensub: la que sí devuelve el texto (Solo gawk)

Solo gawk. Si echas de menos el preg_replace() de PHP, gawk tiene gensub(regex, reemplazo, cuales, texto). No cambia el texto que le das y devuelve el resultado, así que se puede poner directamente en un print:

awkprograma.awk
# En PHP: echo preg_replace('/\//', " > ", $url), PHP_EOL;
{ print gensub(/\//, " > ", "g", $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 tercer argumento dice cuáles cambiar: "g" son todas (como gsub) y un número es «solo esa»: 1 la primera, 2 la segunda.

Además, gensub entiende los paréntesis de captura, como preg_replace: \\1 es lo que encontró el primer paréntesis, \\2 el segundo… (en PHP, $1 y $2). Con eso se le da la vuelta a la fecha del log en una línea:

awkprograma.awk
# En PHP: echo preg_replace('/^\[([0-9]+)\/([A-Za-z]+)\/([0-9]+).*/', '$3-$2-$1', $campos[3]), PHP_EOL;
{ print gensub(/^\[([0-9]+)\/([A-Za-z]+)\/([0-9]+).*/, "\\3-\\2-\\1", 1, $4) }
$ 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.

Hora de practicar

Retos · 0/5 resueltos

Reto 1 de 5

Hora y minuto con split

Imprime la hora y el minuto de cada visita, unidos por dos puntos, y la URL: 10:15 /. El programa ya parte el campo 4 por los dos puntos, pero elige los trozos como si fuera un array de PHP. En PHP sería $partes = explode(":", $campos[3]); echo $partes[1] . ":" . $partes[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. n = split(texto, partes, ":") es $partes = explode(":", $texto): el texto va primero, rellena el array que le das, los trozos empiezan en partes[1] y devuelve cuántos hay.
  2. El separador de split puede ser una regex, como en preg_split(): split(s, f, /[\/:]/).
  3. sub(/regex/, "nuevo", variable) cambia la primera aparición; gsub, todas. Las dos cambian la variable y devuelven cuántos cambios han hecho. Van solas en su línea, sin =.
  4. Sin tercer argumento trabajan sobre $0: gsub(/[\[\]"]/, "") deja la línea sin corchetes ni comillas, como un $linea = preg_replace(...).
  5. & en el reemplazo es lo encontrado, el $0 de preg_replace: sub(/^[45]../, "<<&>>", estado).
  6. gensub(regex, nuevo, "g", texto) (Solo gawk) no toca el texto y devuelve el resultado, como preg_replace(), con capturas \\1, \\2.

Para recordarlo: «sub pinta la pared: no te trae un cuadro»

QQué
el texto: $4
DDónde
el array: partes
PPor dónde
el separador: ":"

sub y gsub cambian la variable por dentro y te dicen cuántos cambios han hecho; no hay nada que recoger con un =. Para el orden de split: Qué parto, Dónde lo guardo, Por dónde corto.

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.