Linux中國
Linux終端的樂趣之把玩字詞計數
在使用的腳本來分析文本文件之前,我們必須有一個文本文件。為了保持一致性,我們將創建一個文本文件,man命令的輸出如下所述。
$ man man > man.txt
以上命令是將man命令的使用方式導入到man.txt文件里。
我們希望能得到最平常的單詞,對之前我們新建的文件執行如下腳本。
$ cat man.txt | tr ' ' ' 12' | tr '[:upper:]' '[:lower:]' | tr -d '[:punct:]' | grep -v '[^a-z]' | sort | uniq -c | sort -rn | head
Sample Output
7557
262 the
163 to
112 is
112 a
78 of
78 manual
76 and
64 if
63 be
上面的腳本,輸出了最常使用的十個單詞。
如何看單個的字母呢?那就用如下的命令。
$ echo 'tecmint team' | fold -w1
Sample Output
t
e
c
m
i
n
t
t
e
a
m
注: -w1隻是設定了長度
現在我們將從那個文本文件中掰下來的每一個字母,對結果進行排序,得到所需的輸出頻率的十個最常見的字元。
$ fold -w1 < man.txt | sort | uniq -c | sort -rn | head
Sample Output
8579
2413 e
1987 a
1875 t
1644 i
1553 n
1522 o
1514 s
1224 r
1021 l
如何區分大小寫呢?之前我們都是忽略大小寫的。所以,用如下命令。
$ fold -w1 < man.txt | sort | tr '[:lower:]' '[:upper:]' | uniq -c | sort -rn | head -20
Sample Output
11636
2504 E
2079 A
2005 T
1729 I
1645 N
1632 S
1580 o
1269 R
1055 L
836 H
791 P
766 D
753 C
725 M
690 U
605 F
504 G
352 Y
344 .
請檢查上面的輸出,標點符號居然包括在內。讓我們幹掉他,用tr 命令。GO:
$ fold -w1 < man.txt | tr '[:lower:]' '[:upper:]' | sort | tr -d '[:punct:]' | uniq -c | sort -rn | head -20
Sample Output
11636
2504 E
2079 A
2005 T
1729 I
1645 N
1632 S
1580 O
1550
1269 R
1055 L
836 H
791 P
766 D
753 C
725 M
690 U
605 F
504 G
352 Y
現在,我們有了三個文本,那就讓我們用如下命令查看結果吧。
$ cat *.txt | fold -w1 | tr '[:lower:]' '[:upper:]' | sort | tr -d '[:punct:]' | uniq -c | sort -rn | head -8
Sample Output
11636
2504 E
2079 A
2005 T
1729 I
1645 N
1632 S
1580 O
下一步我們將會生成那些罕見的至少十個字母長的單詞。以下是簡單的腳本:
$ cat man.txt | tr '' ' 12' | tr '[:upper:]' '[:lower:]' | tr -d '[:punct:]' | tr -d '[0-9]' | sort | uniq -c | sort -n | grep -E '..................' | head
Sample Output
1 ──────────────────────────────────────────
1 a all
1 abc any or all arguments within are optional
1 able see setlocale for precise details
1 ab options delimited by cannot be used together
1 achieved by using the less environment variable
1 a child process returned a nonzero exit status
1 act as if this option was supplied using the name as a filename
1 activate local mode format and display local manual files
1 acute accent
注: 上面的.越來越多,其實,我們可以使用.{10} 得到同樣的效果。
這些簡單的腳本,讓我們知道最頻繁出現的單詞和英語中的字元。
現在結束了。下次我會在這裡講到另一個有趣的話題,你應該會喜歡讀。還有別忘了向我們提供您的寶貴意見。
via: http://www.tecmint.com/play-with-word-and-character-counts-in-linux/
作者:Avishek Kumar 譯者:MikeCoder 校對:wxy
本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive
對這篇文章感覺如何?
太棒了
0
不錯
0
愛死了
0
不太好
0
感覺很糟
0
More in:Linux中國
如何通過 VLC 使用字幕
使用 VLC 媒體播放器播放和管理字幕的新手指南。
Unix 桌面:在 Linux 問世之前
僅僅開源還不足以實現開放,還需開放標準和建立共識。
Valve 對於 Ubuntu 的 Snap 版本的 Steam 並不滿意:原因何在
你可能會發現,Snap 版本的 Steam 並不如你期待的那樣好,你怎麼看?
Wine 9.0 發布,實驗性地加入了 Wayland 驅動
Wine 的這個新版本正在為未來做好準備!