乳胶文件中带连字符的单词及其不带连字符的对应词的计数

Question

我有一篇大约 100,000 字的论文，用乳胶排版。我对某些词的连字符连字符相当不一致，例如“蜘蛛恐惧”和“蜘蛛恐惧”。

我想获得 tex 文件中所有带连字符的单词列表（连同计数），然后我还想计算未连字符版本也出现的次数。

大概是使用 awk、grep 或 sed 之类的工具？

Answer 1

您可以通过一个漂亮的 Perl 程序 texcount.pl 来完成此操作，您可以从此网页下载该程序。该程序对 TeX 文档（或字母、数学公式等）中的单词进行计数，这是一项艰巨的任务，因为存在特定于 TeX 的关键字，这些关键字将被排除在计数之外。该程序有许多功能和选项（但我从未使用过），但您需要的是：

   texcount.pl -freq myfile.tex

这将返回所用单词的完整列表（到标准输出）及其出现频率。然后，您可以轻松地解析它，以查看何时使用了连字符或非连字符的组合。请注意，该程序可以轻松包含多文件项目，其中章节、附录、参考书目等存储在不同的文件中。然而，它不会（或者至少据我所知）指出单词的精确位置：你必须一一地寻找它们。

编辑：

查找所有出现的非连字符表达式的快速但部分解决方案如下：

  grep 'spider *fear' file.tex -n

它搜索由零个或多个（* 符号）空格分隔的两个单词，并返回出现该情况的行号（-n 选项）。这很快，但并不完整，因为使用 grep 会自动意味着当表达式spider fear被分成两行或更多行时，人们无法找到它们。由于对于任意表达，这种情况甚至可能发生在单词中，因此找到这些事件将需要比我愿意做的更多的工作。

编辑2：

解决方案的另一部分如下：

   grep 'spider *$'  -A 1 filename | grep '^ *fear' -n

这将搜索所有以spider未指定数量的空格结尾的行，后跟以未指定数量的空格开头的另一行，然后是单词“fear”。这样做时，它还将输出该事件的行号。

请记住，在前面的所有情况下，您仅搜索小写表达式。如果您希望包含大写字母，只需grep -i替换grep。

现在唯一缺少的部分是当单词在不同的行之间断开时，例如

    spi
    der