Saya mencoba menghitung kemunculan kata tertentu di seluruh direktori. Apakah ini mungkin?
Katakanlah misalnya ada direktori dengan 100 file yang semua filenya mungkin memiliki kata “aaa” di dalamnya. Bagaimana cara menghitung jumlah "aaa" di semua file di bawah direktori itu?
Saya mencoba sesuatu seperti:
zegrep "xception" `find . -name '*auth*application*' | wc -l
Tapi itu tidak berhasil.
grep -roh aaa . | wc -w
Grep secara rekursif semua file dan direktori di direktori saat ini mencari aaa, dan hanya menampilkan yang cocok, bukan seluruh baris. Lalu, gunakan saja wc untuk menghitung berapa banyak kata yang ada.
grep -rcP '^aaa$' . Itu menghemat perpipaan dan mencegah tertanamnya 'aaa'
- person cgledezma; 30.07.2013
-c, tetapi gagal jika ada dua atau lebih kemunculan SearchString dalam satu baris.
- person Carlos Campderrós; 30.07.2013
grep -rohP '\baaa\b . | wc -w
- person cgledezma; 30.07.2013
grep -rohe '\baaa\b . | wc -w karena -P tidak tersedia.
- person IanBussieres; 07.05.2015
grep -roh 'global \$' . atau grep -roh 'one two' . maka saat disalurkan ke wc -w semua kata akan dihitung. Jadi, Anda mungkin ingin hanya menghitung jumlah pencocokan persis, bukan total semua kata dalam hasil. Saya mencapai ini dengan memasukkan ke grep lagi tetapi hanya mencari kata pertama misalnya grep -roh 'global \$' . | grep -o 'global' | wc -w . Namun mungkinkah ada cara yang lebih elegan?
- person mrjamesmyers; 06.03.2018
Solusi lain berdasarkan find dan grep.
find . -type f -exec grep -o aaa {} \; | wc -l
Harus menangani nama file dengan spasi di dalamnya dengan benar.
Gunakan grep dengan cara yang paling sederhana. Coba grep --help untuk info lebih lanjut.
Untuk mengetahui jumlah kata dalam file tertentu:
grep -c <word> <file_name>
Contoh:
grep -c 'aaa' abc_report.csv
Keluaran:
445
Untuk menghitung jumlah kata di seluruh direktori:
grep -c -R <word>
Contoh:
grep -c -R 'aaa'
Keluaran:
abc_report.csv:445
lmn_report.csv:129
pqr_report.csv:445
my_folder/xyz_report.csv:408
$ function wordfrequency() { awk 'BEGIN { FS="[^a-zA-Z]+" } { for (i=1; i<=NF; i++) { word = tolower($i); words[word]++ } } END { for (w in words) printf("%3d %s\n", words[w], w) } ' | sort -rn; }
$ cat your_file.txt | wordfrequency
Ini mencantumkan frekuensi kemunculan setiap kata dalam file yang disediakan. Jika Anda ingin melihat kemunculan kata Anda, Anda dapat melakukan ini:
$ cat your_file.txt | wordfrequency | grep yourword
Untuk menemukan kemunculan kata Anda di seluruh file dalam direktori (secara non-rekursif), Anda dapat melakukan ini:
$ cat * | wordfrequency | grep yourword
Untuk menemukan kemunculan kata Anda di seluruh file dalam direktori (dan subdirektorinya), Anda dapat melakukan ini:
$ find . -type f | xargs cat | wordfrequency | grep yourword
Sumber: Ruby AWK-ward
cat file-file tersebut bersama-sama dan ambil hasilnya: cat $(find /usr/share/doc/ -name '*.txt') | zegrep -ic '\<exception\>'
jika Anda ingin 'luar biasa' cocok, jangan gunakan '\‹' dan '\>' di sekitar kata tersebut.
Bagaimana kalau memulai dengan:
cat * | sed 's/ /\n/g' | grep '^aaa$' | wc -l
seperti pada transkrip berikut:
pax$ cat file1
this is a file number 1
pax$ cat file2
And this file is file number 2,
a slightly larger file
pax$ cat file[12] | sed 's/ /\n/g' | grep 'file$' | wc -l
4
sed mengonversi spasi menjadi baris baru (Anda mungkin ingin menyertakan karakter spasi lainnya seperti tab, dengan sed 's/[ \t]/\n/g'). grep hanya mendapatkan baris-baris yang memiliki kata yang diinginkan, lalu wc menghitung baris-baris itu untuk Anda.
Sekarang mungkin ada kasus-kasus ekstrem di mana skrip ini tidak berfungsi tetapi skrip ini seharusnya baik-baik saja untuk sebagian besar situasi.
Jika Anda menginginkan seluruh pohon (bukan hanya satu tingkat direktori), Anda dapat menggunakan sesuatu seperti:
( find . -name '*.txt' -exec cat {} ';' ) | sed 's/ /\n/g' | grep '^aaa$' | wc -l
Ada juga sintaks regex grep untuk kata-kata yang cocok saja:
# based on Carlos Campderrós solution posted in this thread
man grep | less -p '\<'
grep -roh '\<aaa\>' . | wc -l
Untuk sintaks regex pencocokan kata yang berbeda, lihat:
man re_format | less -p '\[\[:<:\]\]'
