[文本处理] 【已解决】gawk：如何提取指定个数的字符

思想之翼

D:\JZ\A.txt  每行记录若干字母，格式如下：
G B B
B C C C A
J A
J
E
E D

【问题】如何用gawk，提取A.txt出现N次的字符？
若指定个数的字符不存在，则输出文本为空。
上例N=2，结果为J A E
上例N=3，结果为B C
上例N=4，结果为空

Five66

这样可以不?
将代码保存为ANSI编码的bat,放在A.txt所在目录下运行,另外需要A.txt的编码为gbk,还有注意同次数的字符过多可能出错,循环65536次后会退出

也可以直接在命令行窗口输入
gawk -f 代码文件名 文本文件名
来查看所有的次数结果

# 2>nul&cls&@echo off&set "file=A.txt"
# 2>nul&for /f "tokens=1* delims= " %%a in ('gawk -f "%~f0" "%file%"') do set _%%a=%%b
# 2>nul&setlocal enabledelayedexpansion
# 2>nul&for /l %%a in (0,1,65535) do (echo,&set /p n=请输入N的值  N=&echo,&for %%a in ("!n!") do echo,!_%%~a!)
# 2>nul&endlocal&pause&exit/b

BEGIN{
FS=" "
while((getline <ARGV[1])>0){
for(i=1;i<=NF;i++)
A[$i]++
}
for(i in A){
B[A[i]]=B[A[i]]?B[A[i]]" "i:i
}
for(i in B)print i,B[i]
}
复制代码

思想之翼

回复 2# Five66

感谢！
假如确定N=10（不用在运行界面输入），结果输出为文本B.txt，上述gawk代码如何简化？

qixiaobin0715

练练手，用纯P试试：

@echo off
cd "D:\JZ"
set N=10
setlocal enabledelayedexpansion
for /f "delims=" %%i in (a.txt) do (
    for %%j in (%%i) do (
        set /a _%%j+=1
        if !_%%j! equ !N! (
            set #%%j=true
        ) else (
            if !_%%j! gtr !N! set #%%j=
        )
    )
)
for /f "delims=#=" %%k in ('set #') do set str=!str! %%k
if defined str echo,!str:~1!>b.txt
复制代码

wanghan519

不知道行不

awk -v RS='\r?\n| ' -v ORS=' ' '{++d[$0]}END{for(i in d){if(d[i]==1){print i}}}' a.txt
复制代码

czjt1234

纯P好象不行，楼主的文件好象都是很大的

qixiaobin0715

回复 6# czjt1234
这与文件大小关系不大，只与相异字符总量有关，如果相异字符超过一定数量，可能会有问题。并且楼主在顶楼说的是“字母”，也就是26个而已，这样代码就不会设置更多变量。

aloha20200628

纯P求解字符重复数量的方案，还是采用变量名字典最为简捷，但有原生限制，例如不区分变量名字母大小写，例如文件每行字节长度受限8K。
针对一楼示例，每行均为大写字母且用系统默认分隔符，求其各字符的重复数量，代码如下》

@echo off &setlocal enabledelayedexpansion
for /f "delims=" %%s in (a.txt) do for %%c in (%%s) do if defined 【%%c】 (set/a "【%%c】+=1") else (set "【%%c】=1")
set 【
endlocal &exit/b
复制代码

类似变量名字典的纯P算法，再用jscript+cmd混编一个（存为*.cmd批处理脚本文件运行），可区分被统计字符的字母大小写。

@set @v=1 /*
@echo off
cscript /e:jscript "%~f0" "a.txt" |sort
pause &exit/b
*/
var fso=new ActiveXObject('scripting.filesystemobject');
var fr=fso.opentextfile(WSH.arguments(0)), lines=fr.readall().split('\r\n'); fr.close();
var ln=lines.length, dc={};
for (var k=0; k<ln; ++k) {
	var a=lines[k].split(''), an=a.length;
	for (var n=0; n<an; ++n) if (dc[a[n]]==undefined) dc[a[n]]=1; else dc[a[n]]++;
}
for (var key in dc) WSH.echo('字符: ' + key + ' 重复次数=' + dc[key]);
WSH.quit();
复制代码

hfxiang

回复 1# 思想之翼

gawk -v"N=2" -v"FS=" "{for(i=1;i<=NF;i++)if($i~/[A-Za-z]/)a[$i]++}END{for(i in a)if(a[i]==N)printf i\" \";ptint\"\"}" "D:\JZ\A.txt">"D:\JZ\B.txt"
复制代码

思想之翼

回复 9# hfxiang
感谢！
文本是字母，正则表达式为 [A-Za-z]
文本是数值（例如：000 001...999，或00 01...99，或0 1...9），或者单个汉字（例如：挥 斥 方 遒 书 生 意 气），或者为词组（例如：挥斥方遒 书生意气），皆以空格间隔，正则表达式如何表达？

hfxiang

回复 10# 思想之翼

如果都以空格分隔，则无须考虑正则表达式，参照5楼的指令即可:

gawk -v"N=2" -v"RS=\r?\n| " -v"ORS= " "{++d[$0]}END{for(i in d)if(d[i]==N)print i}" "D:\JZ\A.txt">"D:\JZ\B.txt"
复制代码