如何使用grep/sed/awk筛选单词数在X-Y区间内的文本行

以下是通过常用命令行工具实现需求的方法，默认以空白字符（空格、制表符等）作为单词分隔符：

最简便方案：awk 实现 #

awk 内置字段计数变量NF直接对应每行的单词数，直接根据数值范围筛选即可，命令模板如下：

# 将X替换为最小单词数，Y替换为最大单词数，替换文件路径为你的实际文件
awk 'NF>=X && NF<=Y' 你的文件路径

针对你给出的示例文件，若需要筛选单词数在2到7之间的行，执行以下命令即可得到预期结果：

awk 'NF>=2 && NF<=7' atom.txt

运行后输出内容如下：

download kali linux virtualbox
how to install kali linux in vmware
install kali linux on virtualbox
kali linux
kali linux install virtualbox

grep 实现方案 #

通过正则匹配控制单词数量范围，命令模板如下：

# 最小单词数为X、最大为Y时，将{和}之间的第一个数改为X-1，第二个改为Y-1
grep -E '^(\S+\s+){X-1,Y-1}\S+$' 你的文件路径

对应示例的2-7单词数筛选命令：

grep -E '^(\S+\s+){1,6}\S+$' atom.txt

sed 实现方案 #

和grep正则逻辑一致，匹配到符合规则的行后打印即可，示例命令如下：

sed -nE '/^(\S+\s+){1,6}\S+$/p' atom.txt

补充说明 #

• 如果文本中存在标点和单词绑定的情况（如linux,），系统会默认识别为一个单词。如果需要剥离标点后统计，可以先清洗文本再筛选，示例如下：

tr -d '[:punct:]' < atom.txt | awk 'NF>=2 && NF<=7'

内容的提问来源于stack exchange，提问作者Technology EFX TV