如何使用shell统计UTF-8编码文件中的汉字字符数

Question

\n

cat doc.txt将显示以下字符：

\n

\n\n

\xe4\xbd\xa0\xe5\xa5\xbd Hello!\n\xe8\xbf\x99\xe6\x98\xaf\xe4\xb8\xad\xe6\x96\x87\xe3\x80\x82This is a Chinese doc.\n

\n\n

我可以使用命令

\n\n

\n

wc -w doc.txt

\n

\n\n

但它会显示：

\n\n

8 doc.txt\n

\n\n

该命令将字符\xe4\xbd\xa0\xe5\xa5\xbd和\xe8\xbf\x99\xe6\x98\xaf\xe4\xb8\xad\xe6\x96\x87都作为一个单词，而实际上\xe4\xbd\xa0\xe5\xa5\xbd是两个中文单词，\xe8\xbf\x99\xe6\x98\xaf\xe4\xb8\xad\xe6\x96\x87 是四个中文单词。

\n\n

我想要的是正确计算这些中文单词（示例中有12个单词），有人可以帮忙吗？

\n

Answer 1

您可以使用-m或--chars选择：

\n\n

$ echo -n "\xe4\xbd\xa0\xe5\xa5\xbd" | wc -m  \n

\n\n

输出：

\n\n

2\n

\n