bir dosyadaki toplam kelime sayısı nasıl hesaplanır?

Bir dosyadaki tüm kelimelerin sayısını saymak için bir komut arıyorum. Örneğin bir dosya böyle ise,

today is a 
good day

o zaman yazmalı 5, çünkü orada 5kelimeler var.

wcAka komutu . kelime sayısı yapabilir:

$ wc -w <file>

misal

$ cat sample.txt
today is a 
good day


$ wc -w sample.txt
5 sample.txt


# just the number (thanks to Stephane Chazelas' comment)
$ wc -w < sample.txt
5

Ben SADECE numarası için bu ile geldi:

wc -w [file] | cut -d' ' -f1

5

Ben de wc -w < [file]yaklaşımı seviyorum

Son olarak, bir sözcükte sadece kelime sayısını saklamak için aşağıdakileri kullanabilirsiniz:

myVar=($(wc -w /path/to/file))

Bu, dosya adını zarif bir şekilde atlamanızı sağlar.

Daha iyi çözüm Perl kullanmaktır:

perl -nle '$word += scalar(split(/\s+/, $_)); END{print $word}' filename

@Bernhard

wcÇekirdek kaynak kodunu kontrol edebilirim , basut subst.c4.2 kaynağındaki dosya ile makinemde test ederim .

time wc -w subst.c

real    0m0.025s
user    0m0.016s
sys     0m0.000s

Ve

time perl -nle '$word += scalar(split(" ", $_)); END{print $word}' subst.c

real    0m0.021s
user    0m0.016s
sys     0m0.004s

Dosya ne kadar büyük olursa, Perl'e göre o kadar verimli olur wc.

AWK kullanalım!

$ function wordfrequency() { awk 'BEGIN { FS="[^a-zA-Z]+" } { for (i=1; i<=NF; i++) { word = tolower($i) words[word]++ } } END { for (w in words) printf("%3d %s\n", words[w], w) } ' | sort -rn } 
$ cat your_file.txt | wordfrequency

Bu, sağlanan dosyada oluşan her kelimenin sıklığını listeler. Ne istediğini biliyorum, ama daha iyi! Sözcüğünüzün oluşumlarını görmek istiyorsanız, bunu yapabilirsiniz:

$ cat your_file.txt | wordfrequency | grep yourword

Bu işlevi .dotfiles'ime bile ekledim

Kaynak: AWK-ward Ruby

wcProgram sayımları "kelimeleri", ancak bu örneğin bir dosyayı incelediğimizde birçok kişi görürdünüz o "sözcükleri" değildir. viİse örneğin programı, onların karakter sınıflarına göre bunları sınırlayan "kelimeleri" farklı bir ölçü kullanır wcbasitçe şeyler sayar boşlukla ayrılmış . İki önlem radikal olarak farklı olabilir. Bu örneği düşünün:

first,second

vigören üç (kelime önce ve ikinci ise, hem de bunları ayıran virgül) wcgören bir (bu hat üzerinde herhangi bir boşluk yoktur). Kelimeleri saymanın birçok yolu vardır, bazıları diğerlerinden daha az faydalıdır.

Perl daha iyi vi tarzı kelimeler için bir sayaç yazmaya uygun olacağını, ancak burada kullanarak hızlı bir örnektir sed, trve wc(literal satırbaşı kullanarak orta taşınabilir ^M):

#!/bin/sh
in_words="[[:alnum:]_]"
in_punct="[][{}\\|:\"';<>,./?\`~!@#$%^&*()+=-]"
sed     -e "s/\($in_words\)\($in_punct\)/\1^M\2/g" \
        -e "s/\($in_punct\)\($in_words\)/\1^M\2/g" \
        -e "s/[[:space:]]/^M/g" \
        "$@" |
tr '\r' '\n' |
sed     -e '/^$/d' |
wc      -l

Sayıları karşılaştırma:

• Senaryoyu kendi üzerine çalıştırmak bana 76 kelime veriyor.
• @Cuonglm tarafından Perl'deki örnek 31'i verir.
• Kullanmak wc28 verir.

Referans için POSIX vi diyor:

POSIX yerel ayarında, vi beş tür sözcüğü tanıyacaktır:

1. Her iki uçta sınırlandırılmış maksimum harf, rakam ve alt çizgi dizisi:

   • Harfler, rakamlar veya alt çizgiler dışındaki karakterler
     

   • Satırın başı veya sonu

   • Düzenleme arabelleğinin başı veya sonu

2. Her iki uçta sınırlandırılmış harfler, rakamlar, alt çizgiler veya karakterler dışındaki maksimum karakter dizisi:

   • Bir harf, rakam, alt çizgi
     
   • <blank> karakterler
     
   • Satırın başı veya sonu
     
   • Düzenleme arabelleğinin başı veya sonu

3. Bir veya daha fazla ardışık boş satır

4. Düzenleme arabelleğindeki ilk karakter

5. <newline>Düzenleme arabelleğindeki son olmayan