我想计算aa一个非常大的文件中重复模式的数量。所以我使用以下命令：
grep -o "aa" ./bwt/dblp.txt | wc -l
这是有效的，除非我有一个字符串，例如aaa，然后它仅将其匹配为 1 个模式。在我的用例中，我需要前 2 as 表示一个模式，但最后 2 as 是第二个模式（这意味着中间的afromaaa可以重复使用）。
我怎样才能实现这个目标？
请注意，该文件非常大，因此如果可能的话，“优化”方式会更好。无论如何，任何可行的解决方案显然都是受欢迎的。
答案1
为此，您需要 Perl 正则表达式。使用grep支持该标志的a -P：
grep -oP '(?<=a)a' file | wc -l
这是一个积极的向后看。它匹配a前面有另一个 的单个a。
如果您愿意perl（或者您grep不支持该-P标志）：
perl -ne 'while(m/(?<=a)a/g){$a++}END{print "$a\n"}' file
例子：
$ cat file
aa
aaa
aaaa
第一行应该是 1 个匹配，第二行应该是两个，第三行应该是一棵树；总共6：
$ grep -oP '(?<=a)a' file | wc -l
6
答案2
您可以计算重复的字母对，例如aa数据文件中的示例big_file，如下所示：
tr -cs a '\012' <big_file | awk '/aa/{n += length - 1}; END {print n+0}'
该行可以这样解释
- 更改
tr任何不是换行符的字符序列a。这会将多次出现的 分成aa...不同的行 - 计算
awk非零行的长度。利用 N 个字符的序列包含 N-1 个重叠对的特性，可以将重叠对的数量相加，并在文件末尾生成总数
实际上，由于文件“非常大”，因此通过grep在管道中包含 a 会得到更好的响应，如下所示：
tr -cs a '\012' <big_file | grep aa | awk '{n += length - 1}; END {print n+0}'
答案3
由于某种原因，chaos 的答案在我的系统上没有输出任何内容（Debian 11.5，GNU grep 3.6）。以下是对我有用的方法，以防万一对其他人有用：
pcregrep -o1 -o2 '(\w)(?=(\w))' file
这在精神上与所提议的类似：如果第一个字母后跟捕获组 2 中的另一个字母，则使用捕获组 1 匹配第一个字母，只有后者使用正向前瞻进行匹配，以便我们之后仍然可以使用它。然后，使用-o1和显示这两个组-o2。
这可以直接推广到长度为 的子序列n：
pcregrep -o1 -o2 '(\w)(?=(\w{n-1}))' file
答案4
grep -ow aa ./bwt/dblp.txt | wc -l