bagaimana cara menghitung jumlah kata dalam suatu file?

Saya mencari perintah untuk menghitung jumlah semua kata dalam file. Misalnya jika file seperti ini,

today is a 
good day

maka harus dicetak 5, karena ada 5kata - kata di sana.

Perintahnya wcalias. jumlah kata dapat melakukannya:

$ wc -w <file>

contoh

$ 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

Saya datang dengan ini hanya untuk nomor:

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

5

Saya juga suka wc -w < [file]pendekatannya

Akhirnya, untuk menyimpan hanya jumlah kata dalam variabel, Anda bisa menggunakan yang berikut ini:

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

Ini memungkinkan Anda melewatkan nama file dengan elegan.

Solusi yang lebih baik menggunakan Perl:

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

@Bernhard

Anda dapat memeriksa kode sumber wcperintah dari coreutils, saya menguji di mesin saya, dengan file subst.cdalam sumber bash 4.2.

time wc -w subst.c

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

Dan

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

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

Semakin besar file, Perl semakin efisien wc.

Mari kita gunakan AWK!

$ 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

Ini mencantumkan frekuensi setiap kata yang muncul dalam file yang disediakan. Saya tahu itu bukan yang Anda minta, tapi lebih baik! Jika Anda ingin melihat kemunculan kata Anda, Anda bisa melakukan ini:

$ cat your_file.txt | wordfrequency | grep yourword

Saya bahkan menambahkan fungsi ini ke .dotfiles saya

Sumber: Ruby AWK-ward

The wcProgram menghitung "kata", tetapi mereka tidak misalnya "kata" bahwa banyak orang akan melihat ketika mereka memeriksa file. The viProgram misalnya menggunakan ukuran yang berbeda "kata", pembatasan mereka berdasarkan kelas karakter mereka, sementara wchanya menghitung hal-hal yang dipisahkan oleh spasi . Kedua ukuran tersebut bisa sangat berbeda. Pertimbangkan contoh ini:

first,second

vimelihat tiga kata ( pertama dan kedua serta koma yang memisahkannya), sementara wcmelihat satu kata (tidak ada spasi putih pada baris itu). Ada banyak cara untuk menghitung kata, ada yang kurang berguna daripada yang lain.

Sementara Perl akan lebih cocok untuk menulis penghitung untuk kata-kata vi-style, berikut adalah contoh cepat menggunakan sed, trdan wc(cukup portabel menggunakan pengembalian kereta literal ^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

Membandingkan jumlah:

• Menjalankan skrip sendiri, memberi saya 76 kata.
• Contoh dalam Perl oleh @cuonglm memberi 31.
• Menggunakan wcmemberi 28.

Untuk referensi, POSIX vi mengatakan:

Di lokal POSIX, vi harus mengenali lima jenis kata:

1. Urutan maksimal huruf, angka, dan garis bawah, dibatasi pada kedua ujungnya dengan:

   • Karakter selain huruf, angka, atau garis bawah
     

   • Awal atau akhir suatu garis

   • Awal atau akhir buffer edit

2. Urutan maksimal karakter selain huruf, angka, garis bawah, atau karakter, dibatasi pada kedua ujungnya dengan:

   • Huruf, angka, garis bawah
     
   • <blank> karakter
     
   • Awal atau akhir suatu garis
     
   • Awal atau akhir buffer edit

3. Satu atau lebih baris kosong berurutan

4. Karakter pertama dalam buffer edit

5. Non-terakhir <newline>dalam buffer edit