c/c90/大型文本文件中的计数单词

Question

我有一个文本文件，该文件由大约30000个单词组成。我的目标是计算单词的实际数量（请记住包括多个标点符号和连续空间，以及与-连接的单词（例如三腿），因此仅计算空格不正确）。

我设法计算了总体角色，但我在努力挣扎。 有帮助吗？

#include <stdio.h>
#include <stdlib.h>
#include <string.h>

#define SIZE 50

char *getfile(void);
void stats(char *filename);

int main() {
    char *file;
    file = getfile();
    stats(file);
    return 0;
}

char *getfile(void) {
    char *filename;
    FILE *fp;
    filename = malloc(SIZE);

    printf("Enter the name of the text file: ");
    scanf("%49s", filename);

    fp = fopen(filename, "r");
    printf("\n");

    if (fp == NULL) {
        printf("The entered file does not exist.");
        printf("\n");
    } else {
        printf("The file exists.");
        fclose(fp);
    }

    return filename;
}

void stats(char *filename) {
    int cnt = 0, space = 0, lines = 0;
    int c;
    int count = 0;

    FILE *fp;
    fp = fopen(filename, "r");
    while (((c = fgetc(fp)) != EOF)) {
        cnt++;

        if (c == ' ') {
            space++;
        }
        if (c == '\n' || c == '\0') {
            lines++;
        }
    }

    printf("\nTotal characters in file: %d", cnt);
    printf("\nTotal characters (excluding spaces) in file: %d", cnt - space);
    
    fclose(fp);
    return;
}

Answer 1

您应该列出所有可以在单词之间分开的字符，并计算分离字符的每个顺序。

Answer 2

您遇到麻烦的原因是您没有 state 。也就是说，对以前发生的情况进行分类。您可以使用其他方法将文件分解为单词，但是A state-machine> state-machine 简单快捷。正如评论和其他答案中所建议的那样，您需要两个状态，以前有一个白色空间，而一个单词的字符是以前出现的。这有点像一位衍生物，具有上升的边缘，白色空间空间，作为您所算的东西。

剥夺大多数外部内容，这可能是您进行状态机器的方式。

#include <stdio.h>

int main(void) {
    unsigned char buf[16384 /*50*/]; /* 50 is small. */
    enum { WHITE, WORD } state = WHITE;
    size_t cnt = 0, lines = 0, words = 0, nread, i;
    do { /* Fill `buf`. */
        nread = fread(buf, 1, sizeof buf, stdin);
        if(ferror(stdin)) { perror("wc"); return 1; }
        cnt += nread;
        for(i = 0; i < nread; i++) { /* Char-by-char in `buf`. */
            unsigned char c = buf[i];
            /* https://en.cppreference.com/w/cpp/string/byte/isspace */
            switch(c) {
            case '\n':
                lines++; /* Fall-though. Doesn't handle CRs properly. */
            case '\0': case ' ': case '\f': case '\r': case '\t': case '\v':
                state = WHITE;
                break;
            default:
                if(state == WORD) break;
                state = WORD;
                words++;
                break;
            }
        }
    } while(nread == sizeof buf);
    printf("Total characters in file: %lu\n", (unsigned long)(cnt - lines));
    printf("Total lines in file: %lu\n", (unsigned long)lines);
    printf("Total words in file: %lu\n", (unsigned long)words);
    return 0;
}

我在托管环境上的简洁环境中卸载了一些工作，./ wc＆lt; file.txt，我使用一个缓冲区。