Question

背景

创建一个脚本来计算纯文本文件中单词的频率。该脚本执行以下步骤：

计算语料库中单词的频率。
保留在词典中找到的语料库中的每个单词。
创建以逗号分隔的频率文件。

#!/bin/bash

# Create a tally of all the words in the corpus.
#
echo Creating tally of word frequencies...
sed -e 's/ /\n/g' -e 's/[^a-zA-Z\n]//g' corpus.txt | \
  tr [:upper:] [:lower:] | \
  sort | \
  uniq -c | \
  sort -rn > frequency.txt

echo Creating corpus lexicon...
rm -f corpus-lexicon.txt

for i in $(awk '{if( $2 ) print $2}' frequency.txt); do
  grep -m 1 ^$i\$ dictionary.txt >> corpus-lexicon.txt;
done

echo Creating lexicon...
rm -f lexicon.txt

for i in $(cat corpus-lexicon.txt); do
  egrep -m 1 "^[0-9 ]* $i\$" frequency.txt | \
    awk '{print $2, $1}' | \
    tr ' ' ',' >> lexicon.txt;
done

问题

以下几行不断循环通过字典来匹配单词：

for i in $(awk '{if( $2 ) print $2}' frequency.txt); do
  grep -m 1 ^$i\$ dictionary.txt >> corpus-lexicon.txt;
done

它有效，但它很慢，因为它正在扫描它发现的单词，以删除字典中没有的单词。代码通过扫描每个单词的字典来执行此任务。（-m 1参数在找到匹配项时停止扫描。）

问题

您如何优化脚本，以便不会为每个单词从头到尾扫描字典？大多数单词都不在字典中。

谢谢！

Answer 1

您可以使用grep -f在frequency.txt上一次搜索所有字词：

awk '{print $2}' frequency.txt | grep -Fxf dictionary.txt > corpus-lexicon.txt

-F搜索固定字符串。
-x仅匹配整行。
-f从dictionary.txt

实际上，你甚至可以将它与第二个循环结合起来，并删除中间的corpus-lexicon.txt文件。两个for循环可以用一个grep替换：

grep -Fwf dictionary.txt frequency.txt | awk '{print $2 "," $1}'

请注意，我已将-x更改为-w。

Answer 2

这通常是您在Perl中为速度编写的脚本之一。但是，如果和我一样，你讨厌只能使用编程语言，那么你可以在Awk中完成所有这些：

awk '
    BEGIN {
        while ((getline < "dictionary.txt") > 0)
            dict[$1] = 1
    }
    ($2 && $2 in dict) { print $2 }
' < frequency.txt > corpus-lexicon.txt

此版本中不需要rm -f corpus-lexicon.txt。

Answer 3

使用真正的编程语言。所有的应用程序启动和文件扫描都会让你失望。例如，这是一个我用Python编写的示例（最小化代码行）：

import sys, re
words = re.findall(r'(\w+)',open(sys.argv[1]).read())
counts = {}
for word in words:
  counts[word] = counts.setdefault(word,0) + 1
open(sys.argv[2],'w').write("\n".join([w+','+str(c) for (w,c) in counts.iteritems()]))

根据一个大文本文件测试一个我已经坐好的文本文件（1.4MB，根据wc为80,000个单词），这在一个5岁的powermac上以不到一秒钟（18k个独特单词）完成。

单词频率计数脚本太慢

背景

问题

问题

3 个答案: