Blbinky v bashi (2) - Najčastejšie slová v srt titulkoch

6.5.2009 00:22 | Přečteno: 1280× | iné

#!/bin/bash
SRT="$1"
TMP1=`mktemp`
if [ -z "$SRT" ]; then
  echo "USAGE: `basename $0` [file_in_cp1250_dos_eol.srt]"
  exit
fi 
cstocs 1250 utf8 "$SRT" | dos2unix | \
  grep -v '\-\->' | sed 's/<i>//g;s/<\/i>//g;s/[ ,.\*\(\)\"0123456789-\/]/\n/g' | \
  grep -v '^$' | perl -Mutf8 -pe 'utf8::decode($_);$_=lc($_);utf8::encode($_);' > "$TMP1"
k=0
m=`sort -u "$TMP1" | wc -l`
for i in `sort -u "$TMP1"`; do
  k=$(($k+1))
  POCET=`grep '^'$i'$' "$TMP1" | wc -l`
  echo "$k/$m ... $POCET $i" > /dev/stderr
  echo $POCET $i
done | sort -nr > "$SRT.stat"
rm "$TMP1"

Poznámky

• zavyslosti: cstocs/iconv, dos2unix, perl na utf8 lowercase, sort, tee, grep, sed, basename, mktemp
• Na vstupe sa predpoklada kodovanie CP1250 a na vystupe UTF8
• namiesto "cstocs 1250 utf8" mozno pouzit "iconv -f cp1250 -t utf8"
• namiesto "perl -Mutf8 -pe 'utf8::decode($_);$_=lc($_);utf8::encode($_);'" mozno pouzit tr '[:upper:]' '[:lower:]' ak podporuje utf8 (RedHat,...) alebo sed -e 's/\(.*\)/\U\1/' (sed >=4.2)
• namiesto "dos2unix" mozno pouzit sed,tr alebo awk ale kto si tie parametre ma pamatat
• skript ma daleko k optimalnosti ale nepredpoklada sa spustanie 100x za minutu takze je to v pohode

$ time srtstat 'The Code - Linux.srt' 2>/dev/null
real	0m15.628s
user	0m12.093s
sys	0m11.821s
(Intel Atom 1.6 GHz, 1 GB ram, SATA disk 250 GB hitachi 8MB cache)

$ head -20 'The Code - Linux.srt.stat'
106 a
104 to
85 je
67 na
63 v
61 se
42 že
34 jsem
33 z
31 linux
29 ale
27 co
24 s
24 pro
24 linuxu
23 o
23 jako
22 byl
21 si
21 jsou

       

Anketa

Komentáře

[jose17]

> zavyslosti

nechcel si uz rovno napisat zavyslosty?

[Aleš Kapica]

Tohle je fakt blbinka. Proč se to jmenuje blbinky v bashi, když tam voláš: sed, grep, cstocs, dos2unix jako zlatý hřeb na závěr - perl?

[default]

Protože to jde mnohem jednoduššeji napsat přimo v tom Perlu či AWK? Ale když si tak uvědomuji ty závislosti, jejich verze a jejich nepodporu UTF-8, tak si myslím, že nejjednodušší by to bylo v Javě. Žádný dos2unix, tr, iconv, whatever… Žádný řešení závislostí…

[kralyk z abclinuxu]

Žádný řešení závislostí…

JRE

[hikikomori82]

Ano, toto sa pytal niekto uz minule, mas nejaky lepsi nazov? Tieto skripty su z kategorie "napisat, pouzit, zahodit", pouzivaju vsetky dostupne commandline utility, bash je len pojitko. Nebudem predsa pouzivat nejaky iny jazyk alebo tento skript prepisovat len preto ze sa neda napisat 100% vystizny nazov blogu.

[Aleš Kapica]

No kdybys ten blog nazval "Vtákoviny v shelle", bylo by to výstižnější

[hikikomori82]

Rozmyslal som ze by som to skratil na "Blbinky (2) - Najčastejšie slová v srt titulkoch"

[CEST]

Hmmm, fakt jsi to s tim perlem prehnal. Pokud se to jmenuje "...v bashi", tak se zkus spis zamerit na bash. Jak do bashe nacpes perl, pripadne jeste jednu velkou rouru s pouzitim dalsich utilitek jako grep, sed a awk, tak uz je mozna lepsi napsat rovnou perl skript.

BTW: U me umi i tr prevadet ISO-8859-2 mala na velka a obracene.

Ja bych to v bashi resil spis takhle:

time iconv -f cp1250 -t l2 a.srt \
| sed -n -e '/^[0-9]\+[[:space:]]*$/d;/-->/d;s/<\/\?[^>]\+>//g;s/[^[:alpha:]]/ /g;s/[[:space:]]\+/\n/g;p;' \
| tr '[:upper:]' '[:lower:]' \
| grep -Ev '^[[:space:]]*$'  \
| sort | uniq -c | sort -nr

BTW: Titulky jsou z dilu HIMYM 4.21 a casy jsou

real    0m0.152s
user    0m0.024s
sys     0m0.008s

[^([0-9a-fA-F]{2}([:-]?|$)){6}$]

Hahaha, pobavil jsi me To je prispevek dnesniho dne! Btw poznas, co sezere regularni vyraz v mem v nicku?