我有一篇大约 10 万字的论文，用 latex 排版。我对一些单词的连字符使用得相当不一致，例如“spider-fear”和“spider fear”。
我想获取 tex 文件中所有带连字符的单词的列表（以及计数），然后我还想统计一下未连字符版本出现的次数。
大概使用像 awk、grep 或 sed 这样的工具？
答案1
你可以通过一个出色的 Perl 程序 texcount.pl 来实现这一点，你可以从此网页。该程序统计 TeX 文档中的单词（或字母、数学公式等），这是一项不简单的任务，因为存在特定于 TeX 的关键字，这些关键字将被排除在统计范围之外。该程序有许多功能和选项（但我从未使用过），但您需要的是：
texcount.pl -freq myfile.tex
这将返回使用过的单词的完整列表（到标准输出）及其出现频率。然后，您可以轻松解析它，以查看何时使用了带连字符或不带连字符的组合。请注意，该程序可以轻松包含多文件项目，其中章节、附录、参考书目等存储在不同的文件中。但是，它不会（至少据我所知）指向单词的精确位置：您必须逐个查找它们。
编辑：
查找所有出现的非连字符表达式的快速但部分解决方案如下：
grep 'spider *fear' file.tex -n
它会搜索由零个或多个（* 符号）空格分隔的两个单词，并返回此出现的行号（-n 选项）。这很快，但它并不完整，因为使用 grep 自动意味着spider fear当这些表达式被分成两行或更多行时，无法找到它们。由于对于任意表达式，这种情况甚至可能发生在单词内，因此查找这些出现需要的工作量比我愿意做的要多一点。
编辑2：
解决方案的另一部分如下：
grep 'spider *$' -A 1 filename | grep '^ *fear' -n
这将搜索所有以 结尾的行，spider后面跟着未指定数量的空格，后面跟着另一行，开头是未指定数量的空格，然后是单词 fear。在执行此操作时，它还将输出此出现的行号。
请记住，在前面的所有情况下，您都只搜索小写表达式。如果您希望包含大写字母，只需替换grep -i即可grep。
现在唯一缺少的是不同行之间的单词断开，例如
spi
der