计算UNIX中文本的长度

Question

我有两个问题：

( 1)我想从我的剧本中删除每一个非英语字母。2)我想计算一段文字的长度，从标点符号、空格等中清除出来。我只是不知道这部分有什么问题。

Linux脚本：

    #!/usr/bin/bash

awk '

BEGIN { FS="" } # defining a field separator in order to treat each character one by one
{
    $0 = tolower($0)    # removing case distinctions
    gsub(/[[:punct:]]/,"", $0) # removing every punctuation mark
    gsub(/\ /, "", $0) # removing spaces
    gsub(/[0-9]/, "", $0) # removing digits
    gsub(/![a-z]/, "", $0) # removing every non-English letter <- This does not work

    #After the removing of every possible punctuation mark, space, digit and non-English
    #letter in the user-defined text, we calculate the occurence of each character and place into an array



    for (i = 1; i <= NF; i++)
        {
          freq[$i]++
          length++
        }

}

但是它显示了以下错误: awk: cmd。第17行: length++ awk: cmd。第17行：^字符串的意外换行符或结尾

请至少帮我回答第二个问题。我只是不知道出了什么问题，一切似乎都很好。事先谢谢！

Answer 1

使用awk

awk '{gsub("[^A-Za-z]", "");i+=length}END{print i}'

使用tr和wc

tr -C -d "A-Za-z" | wc -c

它们都删除不在A-Za-z范围内的所有字符，然后计数其余的字符。tr one具有依赖于您的区域设置的优点或缺点。

您还可以创建一个awk脚本，就像创建一个shell脚本一样。

#!/usr/bin/awk
    { gsub("[^A-Za-z]", ""); i+=length }
END { print i }

为了获得最大的可移植性，您需要将脚本中的区域设置为POSIX，或者列出每个字符。

tr -C -d "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz" | wc -c

Answer 2

听起来这可能是你想要的(使用GNU awk进行多个字符的RS)

awk -v RS='[[:alpha:]]' 'END{print (NR?NR-1:0)}' file

例如：

$ cat file
a
    b,c
  d3e
$ awk -v RS='[[:alpha:]]' 'END{print (NR?NR-1:0)}' file
5