Dotaz: perl - pocet vyskytov retazca v texte

[hrobar]

Trocha som hral v perle s regularnymi vyrazmi a skusal som naprogramovat skriptik, ktory pocita pocet vyskytov retazca v texte. Skript vyzera takto:

#!/usr/bin/perl -w                                                              
use strict;                                                                     
                                                                                
open(FAJL,$ARGV[0]);                                                            
my @lines = < FAJL >                                                             
close(FAJL);                                                                    
                                                                                
my $i;                                                                          
my $vyskyt=0;                                                                   
                                                                                
for ( $i=0; $i<(scalar @lines)-1; $i++ ) {                                      
                                                                                
$vyskyt += ($lines[$i] =~ tr/msgstr/msgstr/);                                   
                                                                                                                                                                
}                                                                               
                                                                                
print $vyskyt."\n"; 

Ako vstup je pouzity po subor pre lokalizaciu isteho programu. Subor ma 3265 riadkov. Retazec msgstr sa vyskytuje na riadku maximalne jedenkrat, navyse sa nevyskytuje na kazdom riadku a v pocte riadkov su zahrnute aj prazdne riadky. Kazdopadne pocet msgstr nema sancu prekrocit hranicu 3265 vyskytov. Pocet vyskytov by sa mal pohybovat niekde v rozpati 600-700 vyskytov. Avsak po spusteni skriptiku mi to hodi cislo 20850 vyskytov. Cim je to sposobene?

Odpovědi

[michich]

Protoze tim ve skutecnosti pocitas, kolikrat se v textu vyskytuji pismenka m,s,g,t,r.

[michich]

Zmen to na: $vyskyt += ($lines[$i] =~ /msgstr/); a melo by to fungovat.

[hrobar]

Tiez som mal pocit ze sa 'tr' na retazce neda aplikovat. Ide to aj nahradou 's' za 'tr' ale to tvoje riesenie je elegantnejsie. btw. ked regularnemu vyrazu neudam o co ide (s,tr,m) tak sa automaticky pocita s tym, ze ide o pattern matching teda 'm'? Inak povedane =~ /msgstr/ je to iste ako =~ m/msgstr/?

[Hynek (Pichi) Vychodil]

1. RTFM
2. RTFM
3. RTFM

Tak dobrá

1. tr není s ani m
2. Když hledaný řeťezec nemůže přesahovat konec řádku, tak jen naprostý programátorský někňuba bude načítat do paměti celý soubor a i tak by to programátor, jen trochu zběhlý v perlu, udělal mnohem elegantněji takto:

   #!/usr/bin/env perl
   use warnings;
   use strict;
   undef $/;
   my $vyskyt=0;
   $_ = <>;
   $vyskyt++ while m/msgstr/g;
   print $vyskyt,"\n";
   

   Trošku zkušenější třeba takto

   #!/usr/bin/env perl
   use warnings;
   use strict;
   undef $/;
   print scalar @{[<> =~ m/msgstr/g]}, "\n";

3. Jenže protože takový programátor nebude trouba a nebude načítat celý soubor do paměti, tak to udělá třeba takto:

   #!/usr/bin/env perl
   use warnings;
   use strict;
   my $vyskyt = 0;
   $vyskyt += @{[m/msgstr/g]} while <> ;
   print $vyskyt,"\n";
   

   Nebo dokonce jako onliner

   perl -ne '$vyskyt += @{[m/msgstr/g]}; END{print $vyskyt,"\n"}'

[hrobar]

1. Ja som ani netvrdil ze tr=s=m. tr=translation, s=substitution, m=pattern matching.

2. Nie vsetci su taky super spica neomylne dokonaly programatori ako ty.

3. Diky za riesenia. Konecne som pochopil preco je perl "chlpaty".

4. Nebolo by od veci keby si popri tom urazani odpovedal na otazku, ktoru som polozil a sice je =~ /msgstr/ to iste ako =~ m/msgstr/? Odpoviem si sam, je.

[barney]

to imho nebolo urážanie

btw, ešte môžeš skúsiť nasledovné:

$vyskyt = grep { m/msgstr/ } <>;

# alebo

print scalar grep { m/msgstr/ } <>;

to platí pre jeden riadok = jeden výskyt. Inak možno použiť i nasledovnú konštrukciu:

$/ = 'msgstr';
1 while <>;
print $., "\n";

[Hynek (Pichi) Vychodil]

Inak možno použiť i nasledovnú konštrukciu:

$/ = 'msgstr';
1 while <>;
print $., "\n";

Máš bod Ale správně to má být

$/ = 'msgstr';
1 while <>;
print $. - 1, "\n";

[barney]

hmm, máš pravdu

TIMTOWDI ...

undef $/;
print -1 + scalar split (/msgstr/, <>), "\n";

[Hynek (Pichi) Vychodil]

Hezké, akorat to scalar je tam zbytečné, protože + to přepne do skalárního kontextu. Použít split mě nenapadlo a přitom je to tak hezké Jako one liner a bez načítání všeho naráz to pak může být třeba

perl -ne '$a+=-1+split/msgstr/; END{print "$a\n"}'

Ale když už jsme u toho splitu, tak hezčí by bylo

perl -Fmsgstr -ane '$a+=-1+@F; END{print "$a\n"}'

[Hynek (Pichi) Vychodil]

Můžem ještě ušetřit znak

perl -Fmsgstr -ane'$a+=@F-1;END{print "$a\n"}'

[Hynek (Pichi) Vychodil]

A ještě jeden

perl -Fmsgstr -ane'$a+=$#F;END{print "$a\n"}'

[Hynek (Pichi) Vychodil]

Pro srovnání neoptimální načtení celého souboru

perl -e'undef$/;print-1+split("msgstr",<>),"\n"'

a nejkratší varianta se čtením po řádcích

perl -Fmsgstr -ane'$a+=$#F;END{print"$a\n"}'

[Hynek (Pichi) Vychodil]

Jen pro pořádek aby byla sbírka kompletní

perl -ne'BEGIN{$/="msgstr"}END{print$.-1,"\n"}'

[barney]

lol
jeden telefonát počas písania odpovede ((

[barney]

ok, ešte jedno vylepšenie ...

perl -ne'BEGIN{$/=shift}END{print$.-1,"\n"}' msgstr

rozdiel oproti nižšie spomenutému grep-u je v počítaní výskytov a nie riadkov s výskytom

[mrak]

myslel sem ze perl trochu umim ale pichi je demon!
no zrejmne lepsi oddil :)

[barney]

)
dúfam, že sme nikoho od perlu neodradili )

v porovnani so split, resp s $/ má najkratší variant nevýhodu v tom, že hľadaný reťazec nemôže obsahovať new-line ... takže o tri znaky viac

perl -ne'BEGIN{$/="msgstr"}END{print$.-1,"\n"}' 

[Hynek (Pichi) Vychodil]

Jo jentak mimochodem, když chci spočítat počet řádků obsahujících určitý řetězec, tak úplně nejlepší je

grep -c msgstr

[hrobar]

Ono to bolo cele trochu inak. Niekde na webe som narazil na nasledovnu konstrukciu $count +=($sentence =~ tr/*/*/). Zhodou okolnosti som pracoval na preklade isteho softu a zacalo mi v hlave vrtat(zo zvedavosti) ako by sa dalo v perle realizovat spocitanie vyskytu vybraneho retazca v urcitom subore, vyuzitim zmienovanej konstrukcie. Neslo mi o to aby to bolo naj a ani o to aby som spocital pocet retazcov v preklade. Tie sa daju lahko spocitat cez msgfmt --statistics your.po a netreba ani nic programovat. Potom si sa objavil ty a prisiel so svojimi minimalistickymi rieseniami, coz je fajn aspon sa nieco priucim. S preliezania webu a citania programov mam vsak skusenost taku, ze riesenia tvojho druhu sa moc nepouzivaju. Preco? Stale vsak uplne nerozumiem ako perl tie znaky pocita. Moj odhad je taky, ze obsah zatvorky vyhodnoti ako boolean a ten potom vrati ako 1 alebo 0. A pretoze ked v '$sentence' najde '*' vrati true co je 1 je mozne tohoto faktu vyuzit napriklad na urcenie poctu znakov v retazci. Mam pravdu, alebo sa mylim?

[Hynek (Pichi) Vychodil]

RTFM

       tr/SEARCHLIST/REPLACEMENTLIST/cds
       y/SEARCHLIST/REPLACEMENTLIST/cds
               Transliterates all occurrences of the characters found in the
               search list with the corresponding character in the replacement
               list.  It returns the number of characters replaced or deleted.
               If no string is specified via the =~ or !~ operator, the $_
               string is transliterated.  (The string specified with =~ must
               be a scalar variable, an array element, a hash element, or an
               assignment to one of those, i.e., an lvalue.)

[barney]

tr// vrati počet nahradených alebo zmazaných znakov. v tomto prípade koľko '*' sa nachádza v retazci.

odpoveď na otázku "prečo" je jednoduchá ... drvivá vačšina programátorov sa zastaví pri prvom funkčnom riešení. A ako vidíš aj z tejto diskusie, riešenie iterovalo v niekoľkých krokoch. Nevraviac o tom, že tu sú vypísané asi všetky kroky, podľa toho, kto si kedy na akú vlastnosť spomenul