1 /* 2 * wc -- count things in utf-encoded text files 3 * Bugs: 4 * The only white space characters recognized are ' ', '\t' and '\n', even though 5 * ISO 10646 has many more blanks scattered through it. 6 * Should count characters that cannot occur in any rune (hex f0-ff) separately. 7 * Should count non-canonical runes (e.g. hex c1,80 instead of hex 40). 8 */ 9 #include <u.h> 10 #include <libc.h> 11 #define NBUF (8*1024) 12 long nline, tnline, pline; 13 long nword, tnword, pword; 14 long nrune, tnrune, prune; 15 long nbadr, tnbadr, pbadr; 16 long nchar, tnchar, pchar; 17 void count(int, char *); 18 void report(long, long, long, long, long, char *); 19 void 20 main(int argc, char *argv[]) 21 { 22 char *status=""; 23 int i, f; 24 ARGBEGIN { 25 case 'l': pline++; break; 26 case 'w': pword++; break; 27 case 'r': prune++; break; 28 case 'b': pbadr++; break; 29 case 'c': pchar++; break; 30 default: 31 fprint(2, "Usage: %s [-lwrbc] [file ...]\n", argv0); 32 exits("usage"); 33 } ARGEND 34 if(pline+pword+prune+pbadr+pchar == 0) 35 pline=pword=pchar=1; 36 if(argc==0) 37 count(0, 0); 38 else{ 39 for(i=0;i<argc;i++){ 40 f=open(argv[i], OREAD); 41 if(f<0){ 42 perror(argv[i]); 43 status="can't open"; 44 } 45 else{ 46 count(f, argv[i]); 47 tnline+=nline; 48 tnword+=nword; 49 tnrune+=nrune; 50 tnbadr+=nbadr; 51 tnchar+=nchar; 52 close(f); 53 } 54 } 55 if(argc>1) 56 report(tnline, tnword, tnrune, tnbadr, tnchar, "total"); 57 } 58 exits(status); 59 } 60 void 61 report(long nline, long nword, long nrune, long nbadr, long nchar, char *fname) 62 { 63 char line[1024], word[128]; 64 line[0] = '\0'; 65 if(pline){ 66 sprint(word, " %7ld", nline); 67 strcat(line, word); 68 } 69 if(pword){ 70 sprint(word, " %7ld", nword); 71 strcat(line, word); 72 } 73 if(prune){ 74 sprint(word, " %7ld", nrune); 75 strcat(line, word); 76 } 77 if(pbadr){ 78 sprint(word, " %7ld", nbadr); 79 strcat(line, word); 80 } 81 if(pchar){ 82 sprint(word, " %7ld", nchar); 83 strcat(line, word); 84 } 85 if(fname){ 86 sprint(word, " %s", fname); 87 strcat(line, word); 88 } 89 print("%s\n", line+1); 90 } 91 /* 92 * How it works. Start in statesp. Each time we read a character, 93 * increment various counts, and do state transitions according to the 94 * following table. If we're not in statesp or statewd when done, the 95 * file ends with a partial rune. 96 * | character 97 * state |09,20| 0a |00-7f|80-bf|c0-df|e0-ef|f0-ff 98 * -------+-----+-----+-----+-----+-----+-----+----- 99 * statesp|ASP |ASPN |AWDW |AWDWX|AC2W |AC3W |AWDWX 100 * statewd|ASP |ASPN |AWD |AWDX |AC2 |AC3 |AWDX 101 * statec2|ASPX |ASPNX|AWDX |AWDR |AC2X |AC3X |AWDX 102 * statec3|ASPX |ASPNX|AWDX |AC2R |AC2X |AC3X |AWDX 103 */ 104 enum{ /* actions */ 105 AC2, /* enter statec2 */ 106 AC2R, /* enter statec2, don't count a rune */ 107 AC2W, /* enter statec2, count a word */ 108 AC2X, /* enter statec2, count a bad rune */ 109 AC3, /* enter statec3 */ 110 AC3W, /* enter statec3, count a word */ 111 AC3X, /* enter statec3, count a bad rune */ 112 ASP, /* enter statesp */ 113 ASPN, /* enter statesp, count a newline */ 114 ASPNX, /* enter statesp, count a newline, count a bad rune */ 115 ASPX, /* enter statesp, count a bad rune */ 116 AWD, /* enter statewd */ 117 AWDR, /* enter statewd, don't count a rune */ 118 AWDW, /* enter statewd, count a word */ 119 AWDWX, /* enter statewd, count a word, count a bad rune */ 120 AWDX, /* enter statewd, count a bad rune */ 121 }; 122 uchar statesp[256]={ /* looking for the start of a word */ 123 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 00-07 */ 124 AWDW, ASP, ASPN, AWDW, AWDW, AWDW, AWDW, AWDW, /* 08-0f */ 125 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 10-17 */ 126 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 18-1f */ 127 ASP, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 20-27 */ 128 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 28-2f */ 129 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 30-37 */ 130 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 38-3f */ 131 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 40-47 */ 132 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 48-4f */ 133 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 50-57 */ 134 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 58-5f */ 135 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 60-67 */ 136 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 68-6f */ 137 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 70-77 */ 138 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 78-7f */ 139 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 80-87 */ 140 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 88-8f */ 141 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 90-97 */ 142 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 98-9f */ 143 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* a0-a7 */ 144 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* a8-af */ 145 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* b0-b7 */ 146 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* b8-bf */ 147 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* c0-c7 */ 148 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* c8-cf */ 149 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* d0-d7 */ 150 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* d8-df */ 151 AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, /* e0-e7 */ 152 AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, /* e8-ef */ 153 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* f0-f7 */ 154 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* f8-ff */ 155 }; 156 uchar statewd[256]={ /* looking for the next character in a word */ 157 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 00-07 */ 158 AWD, ASP, ASPN, AWD, AWD, AWD, AWD, AWD, /* 08-0f */ 159 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 10-17 */ 160 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 18-1f */ 161 ASP, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 20-27 */ 162 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 28-2f */ 163 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 30-37 */ 164 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 38-3f */ 165 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 40-47 */ 166 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 48-4f */ 167 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 50-57 */ 168 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 58-5f */ 169 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 60-67 */ 170 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 68-6f */ 171 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 70-77 */ 172 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 78-7f */ 173 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 80-87 */ 174 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 88-8f */ 175 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 90-97 */ 176 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 98-9f */ 177 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* a0-a7 */ 178 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* a8-af */ 179 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* b0-b7 */ 180 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* b8-bf */ 181 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* c0-c7 */ 182 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* c8-cf */ 183 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* d0-d7 */ 184 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* d8-df */ 185 AC3, AC3, AC3, AC3, AC3, AC3, AC3, AC3, /* e0-e7 */ 186 AC3, AC3, AC3, AC3, AC3, AC3, AC3, AC3, /* e8-ef */ 187 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f0-f7 */ 188 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f8-ff */ 189 }; 190 uchar statec2[256]={ /* looking for 10xxxxxx to complete a rune */ 191 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 00-07 */ 192 AWDX, ASPX, ASPNX,AWDX, AWDX, AWDX, AWDX, AWDX, /* 08-0f */ 193 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 10-17 */ 194 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 18-1f */ 195 ASPX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 20-27 */ 196 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 28-2f */ 197 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 30-37 */ 198 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 38-3f */ 199 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 40-47 */ 200 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 48-4f */ 201 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 50-57 */ 202 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 58-5f */ 203 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 60-67 */ 204 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 68-6f */ 205 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 70-77 */ 206 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 78-7f */ 207 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 80-87 */ 208 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 88-8f */ 209 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 90-97 */ 210 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 98-9f */ 211 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* a0-a7 */ 212 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* a8-af */ 213 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* b0-b7 */ 214 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* b8-bf */ 215 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c0-c7 */ 216 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c8-cf */ 217 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d0-d7 */ 218 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d8-df */ 219 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e0-e7 */ 220 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e8-ef */ 221 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f0-f7 */ 222 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f8-ff */ 223 }; 224 uchar statec3[256]={ /* looking for 10xxxxxx,10xxxxxx to complete a rune */ 225 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 00-07 */ 226 AWDX, ASPX, ASPNX,AWDX, AWDX, AWDX, AWDX, AWDX, /* 08-0f */ 227 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 10-17 */ 228 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 18-1f */ 229 ASPX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 20-27 */ 230 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 28-2f */ 231 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 30-37 */ 232 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 38-3f */ 233 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 40-47 */ 234 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 48-4f */ 235 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 50-57 */ 236 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 58-5f */ 237 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 60-67 */ 238 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 68-6f */ 239 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 70-77 */ 240 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 78-7f */ 241 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 80-87 */ 242 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 88-8f */ 243 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 90-97 */ 244 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 98-9f */ 245 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* a0-a7 */ 246 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* a8-af */ 247 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* b0-b7 */ 248 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* b8-bf */ 249 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c0-c7 */ 250 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c8-cf */ 251 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d0-d7 */ 252 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d8-df */ 253 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e0-e7 */ 254 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e8-ef */ 255 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f0-f7 */ 256 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f8-ff */ 257 }; 258 void 259 count(int f, char *name) 260 { 261 int n; 262 uchar buf[NBUF]; 263 uchar *bufp, *ebuf; 264 uchar *state=statesp; 265 nline=nword=nrune=nbadr=nchar=0; 266 for(;;){ 267 n=read(f, buf, NBUF); 268 if(n<=0) 269 break; 270 nchar+=n; 271 nrune+=n; /* might be too large, gets decreased later */ 272 bufp=buf; 273 ebuf=buf+n; 274 do{ 275 switch(state[*bufp]){ 276 case AC2: state=statec2; break; 277 case AC2R: state=statec2; --nrune; break; 278 case AC2W: state=statec2; nword++; break; 279 case AC2X: state=statec2; nbadr++; break; 280 case AC3: state=statec3; break; 281 case AC3W: state=statec3; nword++; break; 282 case AC3X: state=statec3; nbadr++; break; 283 case ASP: state=statesp; break; 284 case ASPN: state=statesp; nline++; break; 285 case ASPNX: state=statesp; nline++; nbadr++; break; 286 case ASPX: state=statesp; nbadr++; break; 287 case AWD: state=statewd; break; 288 case AWDR: state=statewd; --nrune; break; 289 case AWDW: state=statewd; nword++; break; 290 case AWDWX: state=statewd; nword++; nbadr++; break; 291 case AWDX: state=statewd; nbadr++; break; 292 } 293 }while(++bufp!=ebuf); 294 } 295 if(state!=statesp && state!=statewd) 296 nbadr++; 297 if(n<0) 298 perror(name); 299 report(nline, nword, nrune, nbadr, nchar, name); 300 } 301