Esta é uma resposta escrita para minha própria curiosidade. Você provavelmente deve criar algo com base nas sugestões nas respostas para " Existe um comando Unix que procura por strings similares, baseadas principalmente em como elas soam quando faladas? " (o módulo Perl Text::Soundex
) ao invés de usar isso.
O script de shell a seguir e o script sed
que o acompanha faz uma pesquisa de nome de arquivo Soundex na árvore de diretórios com raiz no diretório atual, dada uma cadeia de pesquisa na linha de comando.
$ sh soundex.sh fissbux
./fizzbuzz
./fizzbuzz.c
./fizzbuzz2
./fizzbuzz2.c
$ sh soundex.sh sharlok
./HackerRank/Algorithms/02-Implementation/17-sherlock_and_squares.c
$ sh soundex.sh sundek
./soundex.sh
./soundex.sed
O script de shell ( soundex.sh
):
#!/bin/sh
soundex=$( printf '%s\n' "$1" | tr 'a-z' 'A-Z' | sed -f soundex.sed )
find . -exec bash -c '
paste <( printf "%s\n" "${@##*/}" | tr "a-z" "A-Z" | sed -f soundex.sed ) \
<( printf "%s\n" "$@" ) |
awk -vs="$0" "\ == s" | cut -f 2-' "$soundex" {} +
O script calcula o valor soundex para o termo de pesquisa usando o script sed
(abaixo). Em seguida, ele usa find
para localizar todos os nomes no diretório atual ou abaixo e calcula o valor soundex para cada um da mesma maneira que para o termo de pesquisa. Se um valor soundex para um nome de arquivo corresponder ao do termo de pesquisa, o caminho completo para esse arquivo será impresso.
Admito que o script de shell é um pouco básico. Por exemplo, pode ser melhorado adicionando o caminho absoluto ao script soundex.sed
. Como está escrito agora, requer que o script sed
esteja no diretório atual. Também não suporta nomes de arquivos contendo novas linhas.
O script sed
( soundex.sed
):
s/[^[:alpha:]]//g
h
s/^\(.\).*$//
x
y/bfpvBFPVcgjkqsxzCGJKQSXZdtDTlLmnMNrR/111111112222222222222222333344555566/
s/\([1-6]\)[hwHW]//g
s/\([1-6]\)*//g
s/[aeiouyhwAEIOUYHW]/!/g
s/^.//
H
x
s/\n//
s/!//g
s/^\(....\).*$//
s/^\(...\)$//
s/^\(..\)$/0/
s/^\(.\)$/00/
Isso implementa o "American Soundex" conforme descrito na Wikipedia . Ele não modifica o caractere inicial (além de excluí-lo se não for alfabético), e é por isso que eu insiro as strings com tr
no shell script.
Isso não foi totalmente testado, mas parece lidar corretamente com os nomes mencionados no artigo da Wikipedia.
Versão anotada (as "etapas" referem-se às etapas no artigo da Wikipédia acima mencionado):
# Remove non-alphabetic characters
s/[^[:alpha:]]//g
# STEP 1 (part 1: retain first character)
# Save whole line in hold-space
h
# Delete everything but the first character and swap with hold-space
s/^\(.\).*$//
x
# The hold-space now contains only the first character
# STEP 2
y/bfpvBFPVcgjkqsxzCGJKQSXZdtDTlLmnMNrR/111111112222222222222222333344555566/
# STEP 3
s/\([1-6]\)[hwHW]//g
s/\([1-6]\)*//g
# STEP 1 (part 2: remove vowels etc.)
# We don't actually remove them but "mask" them with "!"
# This avoids accidentally deleting the first character later
s/[aeiouyhwAEIOUYHW]/!/g
# Replace first character with the one saved in the hold-space
# Delete first character
s/^.//
# Append pattern-space to hold-space and swap
H
x
# Remove newline inserted by "H" above and all "!" (old vowels etc.)
s/\n//
s/!//g
# STEP 4
s/^\(....\).*$//
s/^\(...\)$//
s/^\(..\)$/0/
s/^\(.\)$/00/
A pesquisa com valores soundex se resume a sorte.
Além disso:
$ paste <( printf '%s\n' * | sed -f soundex.sed ) <( printf '%s\n' * )
F236 Factorio
F230 Fasta
G500 Game
H265 HackerRank
K200 KEYS
L210 Lisp
P625 Parsing
P315 Pathfinder
P315 Pathfinder.tar.xz
Q000 QA
R165 Reformat
R123 Repositories
R564 RimWorld
S613 Scripts
U523 UNIX.dot
U521 UNIX.png
U523 UNIX.txt
W620 Work
a526 answers.txt
c313 cat-food-schedule.txt
f212 fizzbuzz
f212 fizzbuzz.c
f212 fizzbuzz2
f212 fizzbuzz2.c
p363 poetry.txt
q235 questions.txt
r200 rc
s532 soundex.sed
s532 soundex.sh
u313 utp-1.0.tar.gz