мне нужно найти повторяющиеся слова в файле с помощью (или задать расширенное Grep -e) в UNIX (Баш)Как найти повторяющиеся слова в файле, используя grep/egrep?
Я пробовал:
egrep "(\<[a-zA-Z]+\>) \1" file.txt
и
egrep "(\b[a-zA-Z]+\b) \1" file.txt
, но по какой-то причине они считают, что вещи повторяются, а это не так! , например, он считает, что строка «словарные слова» соответствует критериям, несмотря на граничное условие слова \> или \b.
\1 соответствует любой строке, соответствующей первой записи. Это не то же самое, что совпадение с тем же шаблоном, что и первый захват. Таким образом, тот факт, что первый захват, согласованный на границе слова, больше не имеет отношения к делу, хотя \b находится внутри скобок захвата.
Если вы хотите второй экземпляр также на границе слова, вы должны сказать:
egrep "(\b[a-zA-Z]+) \1\b" file.txt
Это ничем не отличается от:
egrep "\b([a-zA-Z]+) \1\b" file.txt
Пространство выкройки сил границы слова, поэтому я удалил избыточный \b с. Если вы хотите быть более ясными, вы можете поместить их в:
egrep "\<([a-zA-Z]+)\> \<\1\>" file.txt
Это ожидаемое поведение. Посмотрите, что man grep говорит:
обратной косой черты и специальные Выражения
Символы \ < и> соответственно совпадает с пустой строкой в начале и в конце слова. Символ \ b соответствует пустой строке на краю слова, а \ B соответствует пустой строке при условии, что она не на краю слова. Символ \ w является синонимом [[: alnum:]] и \ W является синонимом [^ [: alnum:]].
, а затем в другом месте мы видим, что такое "слово" является:
Matching Control
состав слова символами являются буквы, цифры и подчеркивания.
Так это то, что будет производить:
$ cat a
hello bye
hello and and bye
words words
this are words words
"words words"
$ egrep "(\b[a-zA-Z]+\b) \1" a
hello and and bye
words words
this are words words
"words words"
$ egrep "(\<[a-zA-Z]+\>) \1" a
hello and and bye
words words
this are words words
"words words"
egrep "(\<[a-zA-Z]+>) \<\1\>" file.txt
исправляет проблему.
в основном, вы должны сказать \ 1, что она должна оставаться в границах слов слишком
Не работает, так как '\>' и '>' отличаются. (И как он отличается от принятого ответа, кроме опечатки?) Также, пожалуйста, научитесь форматировать код, чтобы '<' and '>' не были проиндексированы как HTML. Видеть – rici
Я использую
pcregrep -M '(\b[a-zA-Z]+)\s+\1\b' *
, чтобы проверить мои документы для таких ошибок. Это также работает, если существует разрыв строки между дублируемыми словами.
Пояснение:.
-M, --multiline работать в режиме многострочного (важно, если разрыв строки между дублированных словами[a-zA-Z]+: Матч слова\b: граница слова см tutorial(\b[a-zA-Z]+) group it\s+ матч по крайней мере один (но столько же, сколько nece ssary) пробельные символы. Это включает в себя новую строку.\1: матч все, что было в первой группе
Для лучшего понимания, показать некоторые входные выборки, желаемый результат, и т.д. Единственное, что мы можем сейчас сказать: «да, это работает как задумано». – fedorqui