Question

我想从文本文件中找到所有词汇表（它是从真正的电子书转换而来的，所以可能更大，解决方案需要有效），并且我已经在名为voclist的文本文件中输出了词汇表。我想删除一些非法词语，例如（aa，aazzz）。

我尝试了“ egrep [a-z] + voclist”。当然，这行不通。

This is the block contain illegal words:
      2 accepting
      2 absence
      1 zz
      1 yyybb
      1 yarn

I want output like this:
      2 accepting
      2 absence
      1 yarn

我经常考虑这个问题。删除“ yyybb”并同时保持“接受”可能有点困难，而在真正的电子书中很少出现“ yyybb”，所以我们可以删除“ zz”。有人有什么主意吗？

Answer 1

假设inputfile包含：

  2 accepting
  2 absence
  1 zz
  1 yyybb
  1 yarn

要获取包含两个或多个重复字符的单词列表：

$ egrep "(\w)\w*\1" inputfile
2 accepting
2 absence
1 zz
1 yyybb

并过滤非法单词，您可以使用字典，例如

$ cat dictionary
accepting
absence

并与之比较：

$ egrep "(\w)\w*\1" inputfile | grep -f dictionary
2 accepting
2 absence

Answer 2

您使用的格式有点麻烦。看起来它来自sort和uniq -c的组合。为简化起见，我将假定以下输入格式：

accepting
absence
zz
yyybb
yarn

很长一段时间，您可以编写：

 $ grep -v -e '^.$'                          \ # single char
           -e '^\(.\)\1$'                    \ # single repeated char (e.g. zzzz)
           -e '\(.\)\1\+'                    \ # repeated char (3 or more times)
           -e '^[aeiou]\+$'                  \ # only vowels
           -e '^[bcdfghjklmnpqrstvwxyz]\+$'  \ # only consonants
           file

我们使用grep，因为它支持匹配部分中的反向引用。 awk不允许的内容。

现在可以按以下原始格式使用它：

awk '{print $2}' file \
    | grep -v -e '^.$' -e '^\(.\)\1$' -e '\(.\)\1\+'            \
              -e '^[aeiou]\+$' -e '^[bcdfghjklmnpqrstvwxyz]\+$' \
    | grep -wFf - file

如何找出在一个单词中重复一个字符两次以上的单词（例如“ aa，aaxx”）

2 个答案: