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 uvlong nline, tnline, pline; 13 uvlong nword, tnword, pword; 14 uvlong nrune, tnrune, prune; 15 uvlong nbadr, tnbadr, pbadr; 16 uvlong nchar, tnchar, pchar; 17 void count(int, char *); 18 void report(uvlong, uvlong, uvlong, uvlong, uvlong, 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 = 1; 36 pword = 1; 37 pchar = 1; 38 } 39 if(argc==0) 40 count(0, 0); 41 else{ 42 for(i=0;i<argc;i++){ 43 f=open(argv[i], OREAD); 44 if(f<0){ 45 perror(argv[i]); 46 status="can't open"; 47 } 48 else{ 49 count(f, argv[i]); 50 tnline+=nline; 51 tnword+=nword; 52 tnrune+=nrune; 53 tnbadr+=nbadr; 54 tnchar+=nchar; 55 close(f); 56 } 57 } 58 if(argc>1) 59 report(tnline, tnword, tnrune, tnbadr, tnchar, "total"); 60 } 61 exits(status); 62 } 63 void 64 report(uvlong nline, uvlong nword, uvlong nrune, uvlong nbadr, uvlong nchar, char *fname) 65 { 66 char line[1024], word[128]; 67 line[0] = '\0'; 68 if(pline){ 69 sprint(word, " %7llud", nline); 70 strcat(line, word); 71 } 72 if(pword){ 73 sprint(word, " %7llud", nword); 74 strcat(line, word); 75 } 76 if(prune){ 77 sprint(word, " %7llud", nrune); 78 strcat(line, word); 79 } 80 if(pbadr){ 81 sprint(word, " %7llud", nbadr); 82 strcat(line, word); 83 } 84 if(pchar){ 85 sprint(word, " %7llud", nchar); 86 strcat(line, word); 87 } 88 if(fname){ 89 sprint(word, " %s", fname); 90 strcat(line, word); 91 } 92 print("%s\n", line+1); 93 } 94 /* 95 * How it works. Start in statesp. Each time we read a character, 96 * increment various counts, and do state transitions according to the 97 * following table. If we're not in statesp or statewd when done, the 98 * file ends with a partial rune. 99 * | character 100 * state |09,20| 0a |00-7f|80-bf|c0-df|e0-ef|f0-ff 101 * -------+-----+-----+-----+-----+-----+-----+----- 102 * statesp|ASP |ASPN |AWDW |AWDWX|AC2W |AC3W |AWDWX 103 * statewd|ASP |ASPN |AWD |AWDX |AC2 |AC3 |AWDX 104 * statec2|ASPX |ASPNX|AWDX |AWDR |AC2X |AC3X |AWDX 105 * statec3|ASPX |ASPNX|AWDX |AC2R |AC2X |AC3X |AWDX 106 */ 107 enum{ /* actions */ 108 AC2, /* enter statec2 */ 109 AC2R, /* enter statec2, don't count a rune */ 110 AC2W, /* enter statec2, count a word */ 111 AC2X, /* enter statec2, count a bad rune */ 112 AC3, /* enter statec3 */ 113 AC3W, /* enter statec3, count a word */ 114 AC3X, /* enter statec3, count a bad rune */ 115 ASP, /* enter statesp */ 116 ASPN, /* enter statesp, count a newline */ 117 ASPNX, /* enter statesp, count a newline, count a bad rune */ 118 ASPX, /* enter statesp, count a bad rune */ 119 AWD, /* enter statewd */ 120 AWDR, /* enter statewd, don't count a rune */ 121 AWDW, /* enter statewd, count a word */ 122 AWDWX, /* enter statewd, count a word, count a bad rune */ 123 AWDX, /* enter statewd, count a bad rune */ 124 }; 125 uchar statesp[256]={ /* looking for the start of a word */ 126 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 00-07 */ 127 AWDW, ASP, ASPN, AWDW, AWDW, AWDW, AWDW, AWDW, /* 08-0f */ 128 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 10-17 */ 129 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 18-1f */ 130 ASP, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 20-27 */ 131 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 28-2f */ 132 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 30-37 */ 133 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 38-3f */ 134 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 40-47 */ 135 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 48-4f */ 136 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 50-57 */ 137 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 58-5f */ 138 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 60-67 */ 139 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 68-6f */ 140 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 70-77 */ 141 AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, /* 78-7f */ 142 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 80-87 */ 143 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 88-8f */ 144 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 90-97 */ 145 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* 98-9f */ 146 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* a0-a7 */ 147 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* a8-af */ 148 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* b0-b7 */ 149 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* b8-bf */ 150 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* c0-c7 */ 151 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* c8-cf */ 152 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* d0-d7 */ 153 AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, /* d8-df */ 154 AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, /* e0-e7 */ 155 AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, /* e8-ef */ 156 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* f0-f7 */ 157 AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,/* f8-ff */ 158 }; 159 uchar statewd[256]={ /* looking for the next character in a word */ 160 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 00-07 */ 161 AWD, ASP, ASPN, AWD, AWD, AWD, AWD, AWD, /* 08-0f */ 162 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 10-17 */ 163 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 18-1f */ 164 ASP, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 20-27 */ 165 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 28-2f */ 166 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 30-37 */ 167 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 38-3f */ 168 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 40-47 */ 169 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 48-4f */ 170 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 50-57 */ 171 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 58-5f */ 172 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 60-67 */ 173 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 68-6f */ 174 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 70-77 */ 175 AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, /* 78-7f */ 176 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 80-87 */ 177 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 88-8f */ 178 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 90-97 */ 179 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 98-9f */ 180 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* a0-a7 */ 181 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* a8-af */ 182 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* b0-b7 */ 183 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* b8-bf */ 184 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* c0-c7 */ 185 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* c8-cf */ 186 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* d0-d7 */ 187 AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, /* d8-df */ 188 AC3, AC3, AC3, AC3, AC3, AC3, AC3, AC3, /* e0-e7 */ 189 AC3, AC3, AC3, AC3, AC3, AC3, AC3, AC3, /* e8-ef */ 190 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f0-f7 */ 191 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f8-ff */ 192 }; 193 uchar statec2[256]={ /* looking for 10xxxxxx to complete a rune */ 194 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 00-07 */ 195 AWDX, ASPX, ASPNX,AWDX, AWDX, AWDX, AWDX, AWDX, /* 08-0f */ 196 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 10-17 */ 197 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 18-1f */ 198 ASPX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 20-27 */ 199 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 28-2f */ 200 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 30-37 */ 201 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 38-3f */ 202 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 40-47 */ 203 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 48-4f */ 204 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 50-57 */ 205 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 58-5f */ 206 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 60-67 */ 207 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 68-6f */ 208 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 70-77 */ 209 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 78-7f */ 210 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 80-87 */ 211 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 88-8f */ 212 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 90-97 */ 213 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* 98-9f */ 214 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* a0-a7 */ 215 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* a8-af */ 216 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* b0-b7 */ 217 AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, /* b8-bf */ 218 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c0-c7 */ 219 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c8-cf */ 220 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d0-d7 */ 221 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d8-df */ 222 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e0-e7 */ 223 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e8-ef */ 224 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f0-f7 */ 225 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f8-ff */ 226 }; 227 uchar statec3[256]={ /* looking for 10xxxxxx,10xxxxxx to complete a rune */ 228 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 00-07 */ 229 AWDX, ASPX, ASPNX,AWDX, AWDX, AWDX, AWDX, AWDX, /* 08-0f */ 230 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 10-17 */ 231 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 18-1f */ 232 ASPX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 20-27 */ 233 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 28-2f */ 234 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 30-37 */ 235 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 38-3f */ 236 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 40-47 */ 237 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 48-4f */ 238 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 50-57 */ 239 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 58-5f */ 240 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 60-67 */ 241 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 68-6f */ 242 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 70-77 */ 243 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* 78-7f */ 244 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 80-87 */ 245 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 88-8f */ 246 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 90-97 */ 247 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* 98-9f */ 248 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* a0-a7 */ 249 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* a8-af */ 250 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* b0-b7 */ 251 AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, /* b8-bf */ 252 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c0-c7 */ 253 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* c8-cf */ 254 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d0-d7 */ 255 AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, /* d8-df */ 256 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e0-e7 */ 257 AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, /* e8-ef */ 258 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f0-f7 */ 259 AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, /* f8-ff */ 260 }; 261 void 262 count(int f, char *name) 263 { 264 int n; 265 uchar buf[NBUF]; 266 uchar *bufp, *ebuf; 267 uchar *state=statesp; 268 269 nline = 0; 270 nword = 0; 271 nrune = 0; 272 nbadr = 0; 273 nchar = 0; 274 275 for(;;){ 276 n=read(f, buf, NBUF); 277 if(n<=0) 278 break; 279 nchar+=n; 280 nrune+=n; /* might be too large, gets decreased later */ 281 bufp=buf; 282 ebuf=buf+n; 283 do{ 284 switch(state[*bufp]){ 285 case AC2: state=statec2; break; 286 case AC2R: state=statec2; --nrune; break; 287 case AC2W: state=statec2; nword++; break; 288 case AC2X: state=statec2; nbadr++; break; 289 case AC3: state=statec3; break; 290 case AC3W: state=statec3; nword++; break; 291 case AC3X: state=statec3; nbadr++; break; 292 case ASP: state=statesp; break; 293 case ASPN: state=statesp; nline++; break; 294 case ASPNX: state=statesp; nline++; nbadr++; break; 295 case ASPX: state=statesp; nbadr++; break; 296 case AWD: state=statewd; break; 297 case AWDR: state=statewd; --nrune; break; 298 case AWDW: state=statewd; nword++; break; 299 case AWDWX: state=statewd; nword++; nbadr++; break; 300 case AWDX: state=statewd; nbadr++; break; 301 } 302 }while(++bufp!=ebuf); 303 } 304 if(state!=statesp && state!=statewd) 305 nbadr++; 306 if(n<0) 307 perror(name); 308 report(nline, nword, nrune, nbadr, nchar, name); 309 } 310