Linux 命令行有很多的樂趣,我們可以很容易并且完善地執(zhí)行很多繁瑣的任務。比如,我們計算一個文本文件中字和字符的出現(xiàn)頻率,這就是我們打算在這篇文章中講到的。
立刻來到我們腦海的命令,計算字和字符在一個文本文件中出現(xiàn)頻率的 Linux 命令是 wc 命令。
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(chuàng)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(zhí)行如下腳本。
$ cat man.txt | tr ' ' '\012' | 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/p>
p>Sample Output/p>
p> [code] t
e
c
m
i
n
t
t
e
a
m
注: -w1只是設定了長度
現(xiàn)在我們將從那個文本文件中掰下來的每一個字母,對結(jié)果進行排序,得到所需的輸出頻率的十個最常見的字符。
$ 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(qū)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(nèi)。讓我們干掉他,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(xiàn)在,我們有了三個文本,那就讓我們用如下命令查看結(jié)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 '' '\012' | 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(xiàn)的單詞和英語中的字符。
現(xiàn)在結(jié)束了。下次我會在這里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。