Posted on 2012-09-05 17:49
C小加 阅读(3587)
评论(1) 编辑 收藏 引用 所属分类:
Linux
写一个文本处理程序,查找文本中n个出现频率最高的单词,输出的结果需要显示这些单词出现的次数,并按照次数从大到小排序。
把问题分成六个步骤:
1,将文本以一行一个单词的形式显示出来
2,将大写字母转换成小写
3,对单词进行排序
4,对排序好的单词列表统计每个单词出现的次数
5,按照出现的次数排序
6,显示单词列表的前n行
脚本的代码如下:
#topn.sh脚本
#!/bin/bash
end=$1 #1
cat $2 | #2
tr -cs "[a-z][A-Z]" "[\012*]" | #3
tr A-Z a-z | #4
sort | #5
uniq -c | #6
sort -k1nr -k2 | #7
head -n"$end" #8
#1:$1为第一个参数,表示输出频率最高的行数
#2:$2为第二个参数,表示目标文本,使用cat把目标文本输入管道,|为管道符
#3:tr命令的-c选项用于选定不在”[a-z][A-Z]”字符集内的字符,tr命令将选定的字符转换成换行符,\012是换行符的八进制码,*表示将换行符任意扩展,使其等于被替换的字符集个数,这样就将所有非字母的符号转换为换行符,从而将文本文件以一行一个单词的形式显示出来。-s删除所有重复出现的字符序列,只保留一个。最后把得到的结果输入管道。
#4:tr把大写字母转化成小写字母
#5:把分好的单词进行排序
#6:uniq对排序好的单词列表统计每个单词出现的次数,并删除相邻重复行,-c 在输出行前面加上每行在输入文件中出现的次数。 这样就得到了出现的频率及其对应的单词。
#7:用sort按照出现的频率从大大小排序,频率相同的按照字母排序。-k1表示按照第一域进行排序,-k2为按照第二域进行排序,先按照第一域排序如果第一域相等再按照第二域排序,-n表示数字,-r表示从大到小排序
#8:head 输出前n行
输出结果:
root@lNotebook-PC:/home/lwx/myshelltest# ./topn.sh 5 test .txt
13 qwe
12 qw
11 eqw
8 sdf
7 we