请问如何知道中文一个文档中一个词出现的次数？

yongjian

kiron兄说的是。好像我们回的帖子里，没有一个是用中文的例子的。sed和awk对中文字串的处理吃力，可能需要转换成unicode码。但我没有仔细研究过。 希望大家对这一帖子详加讨论。

其实楼主提出了一个很好的问题。就算是英文的都不好解决。
比如：
－－－－－－－－－－－－－－－－－－－－－－
abc abc abcabc abcabcabc
aabc aaabccc abc abc
－－－－－－－－－－－－－－－－－－－－－－
这样一个文件，前后加空白是无法正确匹配的。

yongjian

倒是找到了一个简单的方法：

1. 
   
2. cat find_ward|sed 's/[[:blank:]]/\n/g'|sed -n '/^abc$/p' | wc -l
   

复制代码

思路是将所有的词全部打成行，再用sed匹配全词。

yongjian

awk 的方法：

1. 
   
2. cat find_ward| awk '{for(i=1;i<=NF;i++)if($i == "abc")print $i}' | wc -l
   

复制代码

个人认为awk要简单些。

whblackhorse

最初由 yongjian 发表
如果是这样的文件呢：
abc bbb ddd abcabc abcabcabc
abc ccc ddd www abc
abcabc
如果只要abc的话， 次数是3，但上面的方法都不行。用perl 的regexp会简单些。

不用perl也简单啊
这样行不

1. sed 's/[color=red]\<[/color]abc[color=red]\>[/color]/&\n/g' 1.txt|grep 'abc'|wc -l
   

复制代码

现在不在linux下,不好测试

yongjian

嘿嘿, 老兄这样是不行的.

kiron

yongjian兄思维严谨,值得称赞
我的思想和yongjian兄的一样,看样子我是不能再有更好的办法了
PS: perl的正规表达式比UNIX上通用的正规表达式更为复杂有效,可惜我不会perl,有兄弟能写出简洁的办法来的话就更完美了

yongjian

lol. Perl 的\b可以简单的区分词的边界, 所以很容易解决这类问题. 写了个python的, 还是有点问题, 还得好好研究研究.

yongjian

推广这个问题，再想深点，来看看这个用正则怎么表示。文件如下：
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
abc abc abcabc abcabcabc abc
abcc abccc aaabc aabc
abc aabbcc abcbcabc abc
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
要求：
1. 不能再用拆行处理的方法。
2. 只能用sed
3. 只能用regexp.
其实，最终的目的是找出最简练的正则表达式来分辨出”abc“和”含有abc“的词。
结果是只能输出”abc“词，去掉所有那些不是”abc“的词。

nait

最初由 yongjian 发表
嘿嘿, 老兄这样是不行的.

sed 's/\<abc\</&\n/g' 1.txt|grep '\<abc\<'|wc -l

这样就可以了

nait

最初由 yongjian 发表
嘿嘿, 老兄这样是不行的.

sed 's/\<abc\</&\n/g' 1.txt|grep '\<abc\<'|wc -l

这样就可以了