如何计算 UTF-16LE/CR-LF/BOM 文件中的行数？

Question

直接的想法是wc，但接下来不是那么直接的想法是...... *nix 是否wc纯粹用于 *nix 行结尾 \x0a？......似乎是这样。

我已经绕开了它，但我觉得可能/必须有一种比处理原始十六进制转储更简单的方法。

这是我的版本，但计数中仍然存在神秘的差异。 wc报告0a比此脚本CRLF+的总和多 1 0a。

 file="nagaricb.nag"
 echo Report on CR and LF in UTF-16LE/CR-LF
 echo =====================================
 cat "$file" | # a useles comment, courtesy of cat 
   xxd -p -c 2 |
     sed -nr '
       /0a../{
           /0a00/!{
               i ??`0a:   embedded in non-newline chars       
               b
           }
       }
       /0d../{
           /0d00/!{
               i ??`0d:   embedded in non-newline chars       
               b
           }
       }
       /0a00/{
           i ??`CR: found stray 0a00       
           b
        }
       /0d00/{
           N
           /0d00\n0a00/{
               i ??`CRLF: found as normal newline pairs
               b
           }
           i ??`LF: found stray 0d00
        }' |
         sort |
           uniq -c
 echo "  ====="
 printf '  %s ??`wc\n' $(<"$file" wc -l)

输出

Report on CR and LF in UTF-16LE/CR-LF
=====================================
    125 ??`0a:   embedded in non-newline chars       
    407 ??`0d:   embedded in non-newline chars       
  31826 ??`CRLF: found as normal newline pairs
  =====
  31952 ??`wc

---

有没有更标准/简单的方法来做到这一点？

Answer 1

我会将文件转换为带有 LF 行结尾的 UTF-8，因此我可以直接使用本机工具：

$ iconv -f UTF-16LE -t UTF-8 myfile.txt | dos2unix | wc -l

这dos2unix部分是最棘手的部分。这个工具有很多变种，并不是所有变种都知道如何在管道中使用。有时它被称为其他东西，例如d2u.

Answer 2

这是一个 perl 脚本，它以 UTF-16（通过 BOM 检测到字节顺序）打开文件（作为命令行参数给出），并计算行数。

#! /usr/bin/env perl
use strict;
use warnings;

while (my $file = shift @ARGV) {
    my $fh;
    if (!open($fh, '<:encoding(UTF-16)', $file)) {
        print STDERR "Failed to open [$file]: $!\n";
        next;
    }
    my $count = 0;
    $count++ while (<$fh>);
    print "$file: $count\n";
    close $fh;
}

（如果不理解 BOM，就会死亡。）