Supponiamo che io sono file di text.txt come di seguito:Elenca tutte le parole in un file di testo con conteggi di occorrenza?
she likes cats, and he likes cats too.
Vorrei che il mio risultato a guardare come:
she 1
likes 2
cats 2
and 1
he 1
too 1
Se mettere space , . in esso renderebbe gli script più facile, che sarebbe bene.
C'è una semplice pipeline di shell che potrebbe raggiungere questo obiettivo?
Ecco una battuta vicino e caro al mio cuore:
cat text.txt | sed 's|[,.]||g' | tr ' ' '\n' | sort | uniq -c
La punteggiatura sed strisce (sintonizzarsi regex a piacere), il TR mette la sola parola risultati per riga.
con GNU awk si può solo specificare il separatore Record (RS) di essere qualsiasi sequenza di caratteri non alfabetici:
$ gawk -v RS='[^[:alpha:]]+' '{sum[$0]++} END{for (word in sum) print word,sum[word]}' file
she 1
likes 2
and 1
too 1
he 1
cats 2
ma che non risolverà il problema di come identificare le "parole" a generale.
Se la frase era "Uno dei miei gatti pesa 500 libbre, quel gatto è super-dimensionato!" - è quel conteggio del gatto più un conteggio di gatti o qualcos'altro? c'è una parola "s" da contare in quella frase? C'è una parola "500" e una parola "lbs" o una parola "500 lbs" o qualcos'altro? C'è una parola "super" e una parola "graduata" o una parola "super-dimensionata"? –