linux中的“ wc -c”和“ wc -m”命令

我有一个文本文件，其内容是：

i k k

当我wc -m用来计算此文件上的字符数时，结果为7。

问题1：但是为什么我得到7，为什么我不应该假定它计算“ 行尾 ”字符而得到“ 6 ” 呢？

问题2：wc -m工作原理如何？

问题3：使用wc -c（计算字节数）时，我得到的结果与相同wc -m，那么拥有两个不同选项的意义何在？他们做的完全一样，不是吗？如果没有，有什么区别，如何wc -c运作？

实际上，那里确实应该只有6个字符。尝试跑步

cat -A filename

查看文件的非打印字符。你必须有一些额外的东西。如果我像你一样制作文件，我会看到

i k k$

你有放空间吗 那将是7：i k k $或者可能会有换行符：

i k k$
$

也是7

正如你所说

wc -m

计算字符和

wc -c

计算字节。如果所有字符都是ASCII字符集的一部分，则每个字符只有1个字节，因此从这两个命令中获得的计数相同。

尝试使用非ASCII字符的文件：

$ echo ك > testfile
$ wc -m testfile
2 testfile
$ wc -c testfile
3 testfile

啊哈！现在，字节多于字符。

$ locale charmap
UTF-8

在我当前的环境中，字符集为UTF-8，即每个字符用1到4个字节进行编码（尽管由于UTF-8的原始定义允许字符代码指向0x7fffffff，所以大多数工具会识别UTF- 8个字节的序列，最多6个字节）。

在该字符集中，所有来自Unicode的字符都是可用的，例如a a被编码为字节值65 ，a 被编码为乕3个字节228 185 149和é两个字节序列195 169。

$ printf 乕 | wc -mc
  1       3
$ printf a | wc -mc
  1       1

现在：

$ export fr_FR.iso885915@euro
$ locale charmap
ISO-8859-15

我已经修改了环境，现在的字符集为ISO-8859-15（语言，货币符号，日期格式等其他内容也已修改，这些区域设置的集合称为locale）。我需要在该环境中启动一个新的终端模拟器，以使其字符渲染适应新的语言环境。

ISO-8859-15是单字节字符集，这意味着它只有256个字符（实际上比实际覆盖的字符还要少）。该特定字符集用于西欧语言，因为它涵盖了其大部分语言（和欧元符号）。

它具有a字符值（如UTF-8或ASCII中的字节值65），也具有é字符（例如，在法语或西班牙语中通常使用的字符），但具有字节值233，则不具有乕字符。

在那种环境下，wc -c并且wc -m将始终给出相同的结果。

在像大多数现代Unix系统一样的Ubuntu中，默认值通常是UTF-8，因为它是覆盖整个Unicode范围的唯一受支持的字符集（和编码）。

还存在其他多字节字符编码，但是在Ubuntu上并没有很好地支持它们，因此您必须经过箍才能使用它们生成语言环境，如果这样做，您会发现很多事情不好好工作。

因此，对于Ubuntu而言，字符集要么是单字节，要么是UTF-8。

现在，更多注意事项：

在UTF-8中，并非所有字节序列都形成有效字符。例如，所有不是ASCII字符的UTF-8字符都是由字节组成的，这些字节都设置了第8位，但是只有第一个设置了第7位。

如果您将字节序列的第8位设置为1，而没有一个字节序列将第7设置为1，则无法将其转换为字符。那就是当您开始遇到问题和不一致时，因为软件不知道该如何处理。例如：

$ printf '\200\200\200' | wc -mc
      0       3
$ printf '\200\200\200' | grep -q . || echo no
no

wc并grep没有发现任何人物，但：

$ x=$'\200\200\200' bash -c 'echo "${#x}"'
3

bash 发现3.当无法将字节序列映射到字符时，它将每个字节视为一个字符。

它可以变得更加复杂，因为有在Unicode代码点是为字符无效，有的认为是无字，并根据工具，他们的UTF-8编码可能会或可能不会被视为一个字符。

要考虑的另一件事是字符和字素之间的区别，以及它们的呈现方式。

$ printf 'e\u301\u20dd\n'
é⃝
$ printf 'e\u301\u20dd' | wc -mc
      3       6

在那里，我们将3个字符编码为6个字节，作为一个graphem进行渲染，因为我们将3个字符组合在一起（一个基本字符，一个组合的重音符号和一个组合的围圈）。

wc在Ubuntu上找到的GNU实现有一个-L开关来告诉您输入中最宽行的显示宽度：

$ printf 'e\u301\u20dd\n' | wc -L
1

您还会发现一些字符在宽度计算中占据了2个像元，就像我们乕上面的字符一样：

$ echo 乕 | wc -L
2

结论：在荒野的单词中，字节，字符和字素不一定相同。

wc -c和之间的区别在于wc -m，在具有多字节字符（例如UTF8）的语言环境中，前者计算字节，而后者计算字符。考虑以下文件：

$ hexdump -C dummy.txt 
00000000  78 79 cf 80 0a                                    |xy...|

（对于那些不讲UTF8的人，那就是字母“ x”，“ y”和“π”，后跟换行符）。它是五个字节长：

$ wc -c dummy.txt 
5 dummy.txt

但只有四个字符长：

$ wc -m dummy.txt 
4 dummy.txt