写一个 bash 脚本以统计一个文本文件 words.txt
中每个单词出现的频率。
为了简单起见,你可以假设:
words.txt
只包括小写字母和' '
。- 每个单词只由小写字母组成。
- 单词间由一个或多个空格字符分隔。
示例:
假设 words.txt
内容如下:
the day is sunny the the
the sunny is is
你的脚本应当输出(以词频降序排列):
the 4
is 3
sunny 2
day 1
说明:
- 不要担心词频相同的单词的排序问题,每个单词出现的频率都是唯一的。
- 你可以使用一行 Unix pipes 实现吗?
解析:
1、sort语法复习
sort -n 将字符串转数字
sort -r 指定顺序为从大到小
sort -k 2 指定第二个字段作为排序判断标准
tr -s ' ' '\n'
是将所有连续的空格 空行删除并保证每一行只有一个字符串 sort | uniq -c
通常一起用来统计重复出现的次数。
cat words.txt | tr -s ' ' '\n' | sort | uniq -c | sort -rn | awk '{print $2, $1}'
2、 awk 是逐行检索文本。分为3的部分。 BEGIN{#这里进行一些检索文本前的初始化操作}
{#这里是对应每一行的操作}
。
例如这里 for(i=1;i<=NF;++i){++m[$i]}
就是将每一行分隔的字段,进行词频统计。
NF是分隔的字段数。
$0表示整行字符串 $1到$NF
表示从分隔的第一个字符串到最后一个字符串
awk中的数组可以用作hashtable做来词频统计。 END{#在检索文本后的操作}
for(k in m)
k表示的就是m的key。
awk -F' ' '{for(i=1;i<=NF;i=i+1){print $i}}' words.txt|sort|uniq -c|sort -nr|awk -F ' ' '{printf("%s %s\n", $2, $1)}'