¿Cómo contar el número total de palabras en un archivo?

Estoy buscando un comando para contar el número de todas las palabras en un archivo. Por ejemplo, si un archivo es así,

today is a 
good day

entonces debería imprimir 5, ya que hay 5palabras allí.

El comando wcalias. el recuento de palabras puede hacerlo:

$ wc -w <file>

ejemplo

$ cat sample.txt
today is a 
good day


$ wc -w sample.txt
5 sample.txt


# just the number (thanks to Stephane Chazelas' comment)
$ wc -w < sample.txt
5

Se me ocurrió esto por SOLO el número:

wc -w [file] | cut -d' ' -f1

5

También me gusta el wc -w < [file]enfoque

Finalmente, para almacenar solo el recuento de palabras en una variable, puede usar lo siguiente:

myVar=($(wc -w /path/to/file))

Esto le permite omitir el nombre de archivo con elegancia.

La mejor solución es usar Perl:

perl -nle '$word += scalar(split(/\s+/, $_)); END{print $word}' filename

@Bernhard

Puede verificar el código fuente del wccomando desde coreutils, lo pruebo en mi máquina, con el archivo subst.cen la fuente bash 4.2.

time wc -w subst.c

real    0m0.025s
user    0m0.016s
sys     0m0.000s

Y

time perl -nle '$word += scalar(split(" ", $_)); END{print $word}' subst.c

real    0m0.021s
user    0m0.016s
sys     0m0.004s

Cuanto más grande es el archivo, más eficiente es Perl con respecto a wc.

¡Usemos AWK!

$ function wordfrequency() { awk 'BEGIN { FS="[^a-zA-Z]+" } { for (i=1; i<=NF; i++) { word = tolower($i) words[word]++ } } END { for (w in words) printf("%3d %s\n", words[w], w) } ' | sort -rn } 
$ cat your_file.txt | wordfrequency

Esto enumera la frecuencia de cada palabra que aparece en el archivo proporcionado. Sé que no es lo que pediste, ¡pero es mejor! Si desea ver las ocurrencias de su palabra, simplemente puede hacer esto:

$ cat your_file.txt | wordfrequency | grep yourword

Incluso agregué esta función a mis archivos .dot

Fuente: AWK-ward Ruby

El wcprograma cuenta las "palabras", pero esas no son, por ejemplo, las "palabras" que mucha gente vería cuando examinen un archivo. El viprograma, por ejemplo, usa una medida diferente de "palabras", delimitándolas en función de sus clases de caracteres, mientras que wcsimplemente cuenta las cosas separadas por espacios en blanco . Las dos medidas pueden ser radicalmente diferentes. Considere este ejemplo:

first,second

vive tres palabras ( primera y segunda , así como la coma que las separa), mientras wcve una (no hay espacios en blanco en esa línea). Hay muchas formas de contar palabras, algunas son menos útiles que otras.

Si bien Perl sería más adecuado para escribir un contador para las palabras de estilo vi, aquí hay un ejemplo rápido usando sed, try wc(moderadamente portátil usando retornos de carro literales ^M):

#!/bin/sh
in_words="[[:alnum:]_]"
in_punct="[][{}\\|:\"';<>,./?\`~!@#$%^&*()+=-]"
sed     -e "s/\($in_words\)\($in_punct\)/\1^M\2/g" \
        -e "s/\($in_punct\)\($in_words\)/\1^M\2/g" \
        -e "s/[[:space:]]/^M/g" \
        "$@" |
tr '\r' '\n' |
sed     -e '/^$/d' |
wc      -l

Comparación de recuentos:

• Ejecutar el script en sí mismo, me da 76 palabras.
• El ejemplo en Perl de @cuonglm da 31.
• Usando wcda 28.

Como referencia, POSIX vi dice:

En el entorno local POSIX, vi reconocerá cinco tipos de palabras:

1. Una secuencia máxima de letras, dígitos y guiones bajos, delimitada en ambos extremos por:

   • Caracteres que no sean letras, dígitos o guiones bajos
     

   • El principio o el final de una línea.

   • El principio o el final del búfer de edición.

2. Una secuencia máxima de caracteres que no sean letras, dígitos, guiones bajos o caracteres, delimitados en ambos extremos por:

   • Una letra, dígito, guión bajo
     
   • <blank> caracteres
     
   • El principio o el final de una línea.
     
   • El principio o el final del búfer de edición.

3. Una o más líneas en blanco secuenciales

4. El primer carácter en el búfer de edición

5. El último que no está <newline>en el búfer de edición