如何将（UTF-8编码的）文本文件截断为给定的字符数？我不在乎行长，剪切可以在单词中间。

• cut 似乎可以在线运行，但是我需要一个完整的文件。
• head -c 使用字节，而不是字符。

某些系统具有truncate将文件截断为多个字节（不是字符）的命令。

我不知道会截断许多字符，尽管您可以perl使用大多数系统默认安装的字符：

佩尔

perl -Mopen=locale -ne '
  BEGIN{$/ = \1234} truncate STDIN, tell STDIN; last' <> "$file"

• 使用-Mopen=locale，我们使用语言环境中的字符概念（因此，在使用UTF-8字符集的语言环境中，即UTF-8编码的字符）。-CS如果您希望以UTF-8格式对I / O进行解码/编码，而不考虑语言环境的字符集，请替换为。

• $/ = \1234：我们将记录分隔符设置为对整数的引用，这是一种指定固定长度（以字符数表示）的记录的方法。

• 然后在读取第一条记录后，我们将stdin截断到位（因此在第一条记录的末尾）并退出。

GNU sed

使用GNU sed，您可以做到（假设文件不包含NUL字符或不构成有效字符的字节序列-文本文件都应为真）：

sed -Ez -i -- 's/^(.{1234}).*/\1/' "$file"

但这效率要低得多，因为它会完整读取文件并将其完整存储在内存中，然后写入新副本。

GNU AWK

与GNU相同awk：

awk -i inplace -v RS='^$' -e '{printf "%s", substr($0, 1, 1234)}' -E /dev/null "$file"

• -e code -E /dev/null "$file" 是将任意文件名传递给的一种方法 gawk
• RS='^$'：lur饮模式。

内建Shell

使用ksh93，bash或zsh（zsh假设内容不包含NUL字节，则使用非shell ）：

content=$(cat < "$file" && echo .) &&
  content=${content%.} &&
  printf %s "${content:0:1234}" > "$file"

与zsh：

read -k1234 -u0 s < $file &&
  printf %s $s > $file

要么：

zmodload zsh/mapfile
mapfile[$file]=${mapfile[$file][1,1234]}

使用ksh93或bash（请注意，在多个版本中，多字节字符是虚假的bash）：

IFS= read -rN1234 s < "$file" &&
  printf %s "$s" > "$file"

ksh93也可以在适当的位置截断文件，而不用其<>;重定向操作符重写它：

IFS= read -rN1234 0<>; "$file"

iconv +头

要打印前1234个字符，另一种选择是将其转换为每个字符具有固定字节数的编码，例如UTF32BE/ UCS-4：

iconv -t UCS-4 < "$file" | head -c "$((1234 * 4))" | iconv -f UCS-4

head -c不是标准的，而是相当普遍的。一个等效的标准将是dd bs=1 count="$((1234 * 4))"有效的，但是效率较低，因为它将一次读取输入并将输出写入一个字节¹。iconv是标准命令，但编码名称未标准化，因此您可能会发现系统中没有UCS-4

笔记

在任何情况下，尽管输出最多包含1234个字符，但它最终可能不是有效的文本，因为它可能会以无界线结尾。

同时还要注意，而这些解决方案将不能在字符的中间切开文字，他们就能把它在中间字形，像一个é表示为U + 0065 U + 0301（一个e接着一个组合重音符）或以分解形式显示的韩文音节字素。

^{¹并且在管道输入上，bs除非使用iflag=fullblockGNU扩展名，否则您不能可靠地使用非1的值，dd如果它读取管道的速度比iconv填充管道快，则可能会进行短读}

如果您知道文本文件包含以UTF-8编码的Unicode，则必须首先对UTF-8进行解码以获取一系列Unicode字符实体并将其拆分。

我会选择Python 3.x做这项工作。

在Python 3.x中，函数open（）具有一个额外的关键字参数，encoding=用于读取文本文件。方法io.TextIOBase.read（）的描述看起来很有希望。

因此，使用Python 3看起来像这样：

truncated = open('/path/to/file.txt', 'rt', encoding='utf-8').read(1000)

显然，真正的工具会添加命令行参数，错误处理等。

使用Python 2.x，您可以实现自己的类似文件的对象，并逐行解码输入文件。

我想添加另一种方法。可能不是最佳性能明智的选择，而且可能更长一些，但很容易理解：

#!/bin/bash

chars="$1"
ifile="$2"
result=$(cat "$ifile")
rcount=$(echo -n "$result" | wc -m)

while [ $rcount -ne $chars ]; do
        result=${result::-1}
        rcount=$(echo -n "$result" | wc -m)
done

echo "$result"

用调用它$ ./scriptname <desired chars> <input file>。

这会逐个删除最后一个字符，直到达到目标为止，这似乎是非常糟糕的性能，特别是对于较大的文件。我只是想提出这个想法，以显示更多的可能性。