sys/src/cmd/wc.c

   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 }