bash - UTF-8 ファイルの文字数のカウント

Question

wc -c

エンコーディングに関して実際の文字を解釈せず、愚かなバイトカウントを行うように見えます。

実際の文字数を取得するにはどうすればよいですか?

Answer 1

使用-mまたは--charsオプション。

例 (textファイルには 2 つの韓国語の文字と改行が含まれています):

falsetru@jmlee12:~$ cat text
안녕
falsetru@jmlee12:~$ wc -c text
7 text
falsetru@jmlee12:~$ wc -m text
3 text

によるとwc(1)：

   -c, --bytes
          print the byte counts

   -m, --chars
          print the character counts

Answer 2

char文字、 s、およびバイトを混同しないでください。バイトは 8 ビット長で-c、ファイル内のバイト数をカウントします。char多くのプログラミング言語の A も 8 ビット長です。これが、バイト数のカウントに-c! ファイル内にある特定のアルファベットの文字 (char) の数を数えたい場合は、使用されている文字のエンコーディングを何らかの方法で指定する必要があり、場合によっては、そのエンコーディングが 1 つの文字に 1 バイト以上を使用することがあります。 . のマニュアルを読むと、wc現在-mのロケール (おおよその言語/文字セット設定) を使用してファイルをデコードし、文字数をカウントすることがわかります。