2.2 フィルター

まず以下の準備をしてから、その後の操作をしよう。 (tcsh の設定がまだの人は、tcsh とタイプして、 tcsh を起動してから実習を始めて下さい。)

実験用ファイルの準備

a308-06% cd	← ホームディレクトリィに移動する。
a308-06% tcsh	← tcsh を実行 (設定済みの人は不要)。
a308-06% mkdir filter	← filter というディレクトリィを作る。
a308-06% cd filter	← filter に移動する。
a308-06% ln -s ~re00018/gutenberg/* .	← ~re00018/gutenberg にあるファイル
	にシンボリック・リンクを張る。
a308-06% ls	← どういうファイルがあるか、確認する。
	→ alice29.txt などが見えるはず。
a308-06% cat LIST	← LIST の中身を見る。

今回配布したファイル (以下では Gutenberg テキストと呼ぶことにする) の出所については、 付録 A 「古典 (文書) の電子化」を参照せよ。

UNIX システムでは、標準入出力のリダイレクション、 パイプ機能を活用するため、

標準入力から入力し、標準出力に出力し、他の入出力は使わないで済む

というコマンドが多い。 このようなプログラムをフィルターと呼ぶ。 フィルターは簡単な機能しか持たないものが多いが

複数のフィルターをパイプで接続して複雑な仕事が出来る

ようになっている⁵。

以下、UNIX の代表的なフィルターをいくつか紹介する。

grep

テキスト・ファイルから指定した文字列を検索して、それを含む行を表示す る。
　検索に用いるパターンの指定には、 正規表現 (regular expression⁶) と呼ばれる形式が利用できる (grep の名前の由来は global/regular-expression/print)。

• grep    パターン    検索したいファイル名 が基本的な使い方。

  grep で指定したパターンを含む行の表示

  a308-06% grep Alice alice29.txt	alice29.txt から Alice と
  	いう語を含む行を探す。
  a308-06% cat alice29.txt | grep Alice	こうやっても OK.
  a308-06% grep 'ee[34]80' ee-list	数学科学生のパスワード・
  	マップ ee-list から ee380,
  	ee480 を含む行を探す。

• -v とすると、パターンを含まない行を表示する。

  grep -v で指定したパターンを含まない行を表示

  a308-06% grep -v tcsh ee-list

  ee-list から tcsh を含まない行を探す。

• -i とすると、大文字・小文字を区別しないで検索する。

  grep -i で大文字小文字を区別しない検索

  a308-06% grep -i 'mark twain' *	カレント・ディレクトリィから
  	``mark twain'' を含むファイル
  	を探す (大・小文字の違いは無視)。

sort

テキストファイルを行単位で、 順序付けて (通常はアルファベット順に) 並べ変える。

• -r     逆順に並べる。
• -n     数値としての大小で並べ変える。
• +$x$ ($x$ は整数)     第 $x$ フィールドの要素の大小で並べる。

例えば、

ホームディレクトリィにあるファイルを、サイズが大きい順にリストする

a308-06% ls -l ~ | sort +4 -n -r

(ここでは ls -l ~ の出力の第5フィールドはファイルのサイズである、 と仮定している。)

wc

テキスト・ファイル中の行数、単語数、文字数を数える。

wc で行数、単語数、文字数を数える

a308-06% wc alice29.txt

uniq

連続する同じ内容の行を1つにまとめる。
-c とすると、同じ行が何行続いたか表示する。次の例は、 今回のハイライトとも言える凝った例である。

呪文のように見えるかもしれませんが…

a308-06% cat alice-words | sort | uniq -c | sort -n

一体何をやっているのか? 一段一段確認しながらチェックしよう。
長い コマンドはシェル・スクリプト⁷ にすると便利である。

シェルスクリプトの利用例

a308-06% cat top20
#!/bin/sh
cat "$@" | sort | uniq -c | sort -r -n | head -20
a308-06% ./top20 alice-words

tr

文字単位の置換、削除を行う。
tr [-cds] [文字列1 [文字列2]]

• -d は削除することを表す。
• -s は同じ字が連続した場合、一字に置換することを表す。
• -c はパターンに含まれない文字を対象にする。

パターンには文字コードを 8 進数で指定できる (以下の例を参照) ⁸ 。また文字の範囲を - で指定できる。 A-Z で `A' から `Z' までの文字 (つまり英大文字) を表す。

BSD UNIX の tr (tr)

a308-06% cat alice29.txt | tr a-z A-Z	小文字を大文字にする。
a308-06% cat alice29.txt | tr A-Z a-z	大文字を小文字にする。
a308-06% cat DOS-text.txt | tr -d "\015\032"	コードが 015, 032 の文字を
	削除する。
a308-06% cat alice29.txt | tr -cs A-Za-z '\012'	アルファベット以外の文字を
	改行に変換。
	→ 一行一単語に分解する。

上記の alice-words というファイルは次のようにして作った (つまりアルファベット以外の文字の連なりを改行に変換した)。

alice-words はこうして作った

cat alice29.txt | tr -cs A-Za-z '\012' > alice-words

だから、単語の出現頻度表を得るために、次のようにすることもできる。

直接 alice29.txt から単語の出現頻度表を作る。

cat alice29.txt | tr -cs A-Za-z '\012' | sort | uniq -c | sort -n

(こんなに長いコマンドは打つ気になれない？ いざとなったらシェル・スクリプト！ top20 を参考にして作ってみるとよい (授業で一度だけやってみせる)。)

head

最初の数行のみ表示するコマンド。
オプションを指定しないと最初の 10 行を表示する。 -$x$ とすると最初の $x$ 行を表示する。

a308-06% head -30 /usr/share/dict/words	← /usr/share/dict/word の
	先頭から $30$ 行を表示する。

(/usr/share/dict/words は英単語を納めたファイルである。 Solaris では /usr/dict/words というパス名になっている。)

tail

テキストの最後の方を表示するコマンド。
オプションを何も指定しないと 10 行のみ表示する。 -$x$ とすると 最後の $x$ 行を表示する。+$x$ とすると、最初の $x$ 行を除いた残 りを表示する。

a308-06% cat sawyr10.txt | tail -30	← sawyr10.txt の最後の 30 行を
	表示する。

nkf

日本語の文字コード(漢字コード)の変換をする。
(nkf については、 前回のプリントに最低限のことは説明したので、ここでは略する。)