在Linux的命令行中实现字符出现频率统计的方法

 　　Linux 命令行有很多的乐趣，我们可以很容易并且完善地执行很多繁琐的任务。比如，我们计算一个文本文件中字和字符的出现频率，这就是我们打算在这篇文章中讲到的。

　　立刻来到我们脑海的命令，计算字和字符在一个文本文件中出现频率的 Linux 命令是 wc 命令。

　　在使用的脚本来分析文本文件之前，我们必须有一个文本文件。为了保持一致性，我们将创建一个文本文件，man命令的输出如下所述。

　　代码如下:

　　$ man man > man.txt

　　以上命令是将man命令的使用方式导入到man.txt文件里。

　　我们希望能得到最平常的单词，对之前我们新建的文件执行如下脚本。

　　代码如下:

　　$ cat man.txt | tr ' ' '12' | tr '[:upper:]' '[:lower:]' | tr -d '[:punct:]' | grep -v '[^a-z]' | sort | uniq -c | sort -rn | head

　　Sample Output

　　代码如下:

　　7557

　　262 the

　　163 to

　　112 is

　　112 a

　　78 of

　　78 manual

　　76 and

　　64 if

　　63 be

　　上面的脚本，输出了最常使用的十个单词。

　　如何看单个的字母呢?那就用如下的命令。

　　代码如下:

　　$ echo 'tecmint team' | fold -w1

Sample Output

[code] t

　　e

　　c

　　m

　　i

　　n

　　t

　　t

　　e

　　a

　　m

　　注: -w1只是设定了长度

　　现在我们将从那个文本文件中掰下来的每一个字母，对结果进行排序，得到所需的输出频率的十个最常见的字符。

　　$ fold -w1 < man.txt | sort | uniq -c | sort -rn | head

　　Sample Output

　　代码如下:

　　8579

　　2413 e

　　1987 a

　　1875 t

　　1644 i

　　1553 n

　　1522 o

　　1514 s

　　1224 r

　　1021 l

　　如何区分大小写呢?之前我们都是忽略大小写的。所以，用如下命令。

　　$ fold -w1 < man.txt | sort | tr '[:lower:]' '[:upper:]' | uniq -c | sort -rn | head -20

　　Sample Output

　　代码如下:

　　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 .

　　请检查上面的输出，标点符号居然包括在内。让我们干掉他，用tr 命令。GO:

　　代码如下:

　　$ fold -w1 < man.txt | tr '[:lower:]' '[:upper:]' | sort | tr -d '[:punct:]' | uniq -c | sort -rn | head -20

　　Sample Output

　　代码如下:

　　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

　　现在，我们有了三个文本，那就让我们用如下命令查看结果吧。

　　代码如下:

　　$ cat *.txt | fold -w1 | tr '[:lower:]' '[:upper:]' | sort | tr -d '[:punct:]' | uniq -c | sort -rn | head -8

　　Sample Output

　　代码如下:

　　11636

　　2504 E

　　2079 A

　　2005 T

　　1729 I

　　1645 N

　　1632 S

　　1580 O

　　下一步我们将会生成那些罕见的至少十个字母长的单词。以下是简单的脚本：

　　代码如下:

　　$ 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

　　代码如下:

　　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.越来越多，其实，我们可以使用.{10} 得到同样的效果。

　　这些简单的脚本，让我们知道最频繁出现的单词和英语中的字符。

　　现在结束了。下次我会在这里讲到另一个有趣的话题，你应该会喜欢读。还有别忘了向我们提供您的宝贵意见。