如何用Unix命令统计.tmx文件的行数、词数并提取文件结构

问题根因 #

• 核心误区：os.system()的返回值是Unix命令的退出状态码，而非命令的标准输出内容。命令执行成功时退出状态码为0，你之前拿到的0是命令运行成功的标识，并非wc的统计结果。
• 命令语法错误：
  • grep file.tmx 缺少必填的匹配模式参数，grep会将file.tmx识别为待匹配的模式，等待从标准输入读取内容，最终因参数错误返回状态码2，对应os.system返回值为2*256=256
  • grep "\n" file.tmx 逻辑错误，grep默认按行读取内容，不会匹配行尾的换行符，同样触发错误返回状态码2，对应os.system返回值2*256=512

解决方案 #

TMX文件基础说明 #

TMX（Translation Memory eXchange）是标准XML格式的翻译记忆文件，本质为结构化文本，无需专用工具即可用常规Unix命令做行数、词数统计。

1. 独立Unix命令正确写法 #

• 统计行数：wc -l file.tmx
• 统计词数：wc -w file.tmx
• 同时统计行数、词数、字符数：wc file.tmx

2. Python中获取命令统计结果的正确写法 #

不要使用os.system，改用subprocess模块捕获命令的标准输出：

import subprocess

# 统计行数
line_count = int(subprocess.check_output(['wc', '-l', 'file.tmx']).split()[0])
# 统计词数
word_count = int(subprocess.check_output(['wc', '-w', 'file.tmx']).split()[0])

print(f"行数：{line_count}，词数：{word_count}")

3. TMX结构化内容提取 #

如果需要解析翻译单元等结构化数据，可以直接用Python XML解析库处理：

import xml.etree.ElementTree as ET

tree = ET.parse('file.tmx')
root = tree.getroot()
# 遍历所有翻译单元
for tu in root.iter('tu'):
    # 此处可自定义处理每个翻译单元的内容
    seg_content = tu.find('tuv/seg').text
    print(seg_content)

内容的提问来源于stack exchange，提问作者abdullatif alnajim