☰

如何计算包含两个单词之一但不包含两个单词的行数

tag-icon • tag-icon text-processing awk grep
如何计算包含两个单词之一但不包含两个单词的行数

我需要计算文本文件 ( ) 中包含单词the和 的行数，但是anpoem.txt不是同时包含两者的。

我尝试过使用

grep -c the poem.txt | grep -c an poem.txt

the但是当和 的总数an为 9 行时，这给了我 6 的错误答案。

我确实想计算包含单词的行数，而不是单词本身。只有实际单词才算数，so thebut notthere和 and anbut not Pan。

示例文件：poem.txt

Where is the misty shark?
Where is she?
The small reef roughly fights the mast.
Where is the small gull?
Where is he?
The gull grows like a clear pirate.
Clouds fall like old mainlands.

She will Rise calmly like a dead pirate.
Eat an orange.
Warm, sunny sharks quietly pull a cold, old breeze.
All ships command rough, rainy sails.

Elvis Aaron Presley also known simply as the Elvis
He is also referred to as the King
The best-selling solo music artist of all time
He was the most commercially successful artist in many genres

He has many awards including a Grammy lifetime achievement
Elvis in the 1970s has numerous jumpsuits including an eagle one.

进一步澄清：这首诗中有多少行包含 the或但你不应该计算同时包含和an的行。thean

the car is red - this counted
an apple is in the corner - not counted
hello i am big - not counted
where is an apple - counted

所以这里的输出应该是2。

编辑：我不担心区分大小写。

突出显示的单词的屏幕截图

最终编辑：感谢您的所有帮助。我已经成功解决了这个问题。我使用了答案之一并对其进行了一些更改。我 曾经如何将第二个 grep 中cat poem.txt | grep -Evi -e '\<an .* the\>' -e '\<the .* an\>' | grep -Eci -e '\<(an|the)\>的 更改为 a以获取一些附加信息。再次感谢您的所有帮助！ :)-c-n

答案1

perl -nE 'END {say $c+0} ++$c if /\bthe\b/i xor /\ban\b/i' file

gawk 'END {print c+0} /\<the\>/ != /\<an\>/ {++c}' IGNORECASE=1 file

比较每个表达式的匹配结果可以得到您想要的结果。

例如，匹配的结果\<the\>可能是 0 或 1。如果另一个匹配的结果相同，则两个正则表达式要么找到，要么找不到，并且该行不应被计数。如果它们不同，则意味着找到了一个匹配项而没有找到另一个匹配项，因此计数器会递增。

gawk 有一个内置xor()函数：

gawk 'END {print c+0} xor(/\<the\>/,/\<an\>/) {++c}' IGNORECASE=1 file

答案2

使用 grep：

cat poem.txt \
  | grep -Evi -e '\<an\>.*\<the\>' -e '\<the\>.*\<an\>' \
  | grep -Eci -e '\<(an|the)\>'

这算的是匹配线。您可以找到一种替代语法来计算总数火柴在下面。

分解：

首先 grep 命令过滤掉所有包含“an”和“the”的行。第二个 grep 命令对包含“an”或“the”的行进行计数。

c如果您从第二个 grep 中删除-Eci，您将看到所有匹配项都突出显示。

细节：

  • 该-E选项为 grep 启用扩展表达式语法 (ERE)。

  • 该-i选项告诉 grep 匹配时不区分大小写

  • 该-v选项告诉 grep 反转结果（即匹配行不是包含模式）

  • 该-c选项告诉 grep 输出匹配行的数量而不是行本身

  • 模式：

    1. \<匹配单词的开头（谢谢@格伦-杰克曼）
    2. \>匹配单词的结尾（谢谢@格伦-杰克曼）

    --> 这样我们就可以确保不匹配单词含有“the”或“an”（如“pan”）

    1. grep -Evi -e '\<an\>.*\<the\>'因此匹配所有行不是包含“一个...的”

    2. 同样，grep -Evi -e '\<the\>.*\<an\>'匹配所有行不是包含“the ... an”

    3. grep -Evi -e '\<an\>.*\<the\>' -e '\<the.*an\>'是 3. 和 4. 的组合。

    4. grep -Eci -e '\<(an|the)\>'匹配包含“an”或“the”（由空格或行首/行尾包围）的所有行并打印匹配行数

编辑1：按照@glenn-jackman的建议，使用\<and\>代替( |^)and( |$)

编辑2：为了计算匹配数而不是匹配行数，请使用以下表达式：

cat poem.txt \
  | grep -Evi -e '\<an\>.*\<the\>' -e '\<the\>.*\<an\>' \
  | grep -Eio -e '\<(an|the)\>' \
  | wc -l

这使用了-ogrep 选项，它将每个匹配打印在单独的行中（没有其他内容），然后wc -l对行进行计数。

答案3

下面的 GNUawk程序应该可以解决这个问题：

awk '(/(^|\W)[Tt]he(\W|$)/ && !/(^|\W)[Aa]n(\W|$)/) || (/(^|\W)[Aa]n(\W|$)/ && !/(^|\W)[Tt]he(\W|$)/) {c++} END{print c}' poem.txt

这将增加计数器c，如果

  • 该行匹配(^|\W)[Tt]he(\W|$)（首字母不区分大小写the，前面是非单词成分 ( \W) 或行首 ( ^)，后面是非单词成分 ( \W) 或行尾 ( $)），但不匹配(^|\W)[Aa]n(\W|$)（孤立的第一个- 不区分字母大小写an) - 或 -
  • 该行匹配(^|\W)[Aa]n(\W|$)但不匹配(^|\W)[Tt]he(\W|$)

最后打印 的值c。

可以使用\<and\>作为“词开头”和“词结尾”来将其表述得稍微短一些：

awk '(/\<[Tt]he\>/ && !/\<[Aa]n\>/) || (/\<[Aa]n\>/ && !/\<[Tt]he\>/) {c++} END{print c}' poem.txt

甚至更短的是：

awk '/\<[Tt]he\>/ != /\<[Aa]n\>/ {c++} END{print c}' poem.txt

an因为只有当 和 中的任何一个出现在一条线上，但不是两者（或没有）出现在一条线上时，不等式才为真the。

这种方法需要 GNU，awk因为\Wand \</\>结构是扩展正则表达式语法的 GNU 扩展（但\</\>也可以被理解为BSD 正则表达式）。

请注意，您在自己尝试的解决方案中显示的管道构造将不起作用，因为使用grep文件作为输入参数进行调用取代了从 stdin 读取，因此管道的第一部分会在不被注意的情况下消失，输出完全是由于最后一部分（查找 的出现an，甚至是嵌入在其他单词中的那些）。

答案4

您可以使用 GNU grep 和 PCRE 零长度断言来做到这一点：

grep -iP '(?=.*\bthe\b)(?!.*\ban\b)|(?=.*\ban\b)(?!.*\bthe\b)' poem.txt

Where is the misty shark?
...
Eat an orange.
...

grep -ciP '(?=.*\bthe\b)(?!.*\ban\b)|(?=.*\ban\b)(?!.*\bthe\b)' poem.txt

9

同样的功能在 perl 中可用（它的起源地），并且 perl 可能存在于 GNU grep 不存在的机器上。

相关内容