ref: ad3bc13476c414e56bafbca312f09f84c18a454f
dir: /appl/cmd/wc.b/
implement Wc;
#
# wc -- count things in utf-encoded text files
# Bugs:
# The only white space characters recognized are ' ', '\t' and '\n', even though
# ISO 10646 has many more blanks scattered through it.
# Should count characters that cannot occur in any rune (hex f0-ff) separately.
# Should count non-canonical runes (e.g. hex c1,80 instead of hex 40).
#
include "sys.m";
sys: Sys;
include "draw.m";
Wc: module
{
init: fn(ctxt: ref Draw->Context, args: list of string);
};
NBUF: con 8*1024;
stderr: ref Sys->FD;
nline, tnline, pline: int;
nword, tnword, pword: int;
nchar, tnchar, pchar: int;
nbadr, tnbadr, pbadr: int;
nbyte, tnbyte, pbyte: int;
init(nil: ref Draw->Context, argv: list of string)
{
sys = load Sys Sys->PATH;
stderr = sys->fildes(2);
for(argv = tl argv; argv != nil; argv = tl argv){
arg := hd argv;
if(len arg < 2 || arg[0] != '-' || arg[1] == '-')
break;
for(i := 1; i < len arg; i++){
case arg[i]{
'l' => pline++;
'w' => pword++;
'c' => pchar++;
'e' => pbadr++;
'b' => pbyte++;
* =>
sys->fprint(stderr, "usage: wc [-lwcbe] [file ...]\n");
raise "fail:usage";
}
}
}
if(pline+pword+pchar+pbadr+pbyte == 0)
pline = pword = pchar = 1;
argc := len argv;
if(argc == 0)
count(sys->fildes(0), "");
else{
for(; argv != nil; argv = tl argv){
name := hd argv;
f := sys->open(name, sys->OREAD);
if(f == nil)
sys->fprint(stderr, "wc: can't open %s: %r\n", name);
else{
count(f, name);
tnline += nline;
tnword += nword;
tnchar += nchar;
tnbadr += nbadr;
tnbyte += nbyte;
f = nil;
}
}
if(argc > 1)
report(tnline, tnword, tnchar, tnbadr, tnbyte, "total");
}
exit;
}
report(nline, nword, nchar, nbadr, nbyte: int, fname: string)
{
line := "";
if(pline)
line += sys->sprint(" %7d", nline);
if(pword)
line += sys->sprint(" %7d", nword);
if(pchar)
line += sys->sprint(" %7d", nchar);
if(pbadr)
line += sys->sprint(" %7d", nbadr);
if(pbyte)
line += sys->sprint(" %7d", nbyte);
if(fname != nil)
line += sys->sprint(" %s", fname);
sys->print("%s\n", line[1:]);
}
#
# How it works. Start in statesp. Each time we read a character,
# increment various counts, and do state transitions according to the
# following table. If we're not in statesp or statewd when done, the
# file ends with a partial rune.
# | character
# state |09,20| 0a |00-7f|80-bf|c0-df|e0-ef|f0-ff
# -------+-----+-----+-----+-----+-----+-----+-----
# statesp|ASP |ASPN |AWDW |AWDWX|AC2W |AC3W |AWDWX
# statewd|ASP |ASPN |AWD |AWDX |AC2 |AC3 |AWDX
# statec2|ASPX |ASPNX|AWDX |AWDR |AC2X |AC3X |AWDX
# statec3|ASPX |ASPNX|AWDX |AC2R |AC2X |AC3X |AWDX
#
# actions
AC2, # enter statec2
AC2R, # enter statec2, don't count a rune
AC2W, # enter statec2, count a word
AC2X, # enter statec2, count a bad rune
AC3, # enter statec3
AC3W, # enter statec3, count a word
AC3X, # enter statec3, count a bad rune
ASP, # enter statesp
ASPN, # enter statesp, count a newline
ASPNX, # enter statesp, count a newline, count a bad rune
ASPX, # enter statesp, count a bad rune
AWD, # enter statewd
AWDR, # enter statewd, don't count a rune
AWDW, # enter statewd, count a word
AWDWX, # enter statewd, count a word, count a bad rune
AWDX: # enter statewd, count a bad rune
con byte iota;
statesp := array[256] of{ # looking for the start of a word
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 00-07
AWDW, ASP, ASPN, AWDW, AWDW, AWDW, AWDW, AWDW, # 08-0f
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 10-17
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 18-1f
ASP, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 20-27
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 28-2f
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 30-37
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 38-3f
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 40-47
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 48-4f
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 50-57
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 58-5f
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 60-67
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 68-6f
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 70-77
AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, AWDW, # 78-7f
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# 80-87
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# 88-8f
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# 90-97
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# 98-9f
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# a0-a7
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# a8-af
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# b0-b7
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# b8-bf
AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, # c0-c7
AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, # c8-cf
AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, # d0-d7
AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, AC2W, # d8-df
AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, # e0-e7
AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, AC3W, # e8-ef
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# f0-f7
AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,AWDWX,# f8-ff
};
statewd := array[256] of { # looking for the next character in a word
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 00-07
AWD, ASP, ASPN, AWD, AWD, AWD, AWD, AWD, # 08-0f
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 10-17
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 18-1f
ASP, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 20-27
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 28-2f
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 30-37
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 38-3f
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 40-47
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 48-4f
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 50-57
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 58-5f
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 60-67
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 68-6f
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 70-77
AWD, AWD, AWD, AWD, AWD, AWD, AWD, AWD, # 78-7f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 80-87
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 88-8f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 90-97
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 98-9f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # a0-a7
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # a8-af
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # b0-b7
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # b8-bf
AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, # c0-c7
AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, # c8-cf
AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, # d0-d7
AC2, AC2, AC2, AC2, AC2, AC2, AC2, AC2, # d8-df
AC3, AC3, AC3, AC3, AC3, AC3, AC3, AC3, # e0-e7
AC3, AC3, AC3, AC3, AC3, AC3, AC3, AC3, # e8-ef
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # f0-f7
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # f8-ff
};
statec2 := array[256] of { # looking for 10xxxxxx to complete a rune
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 00-07
AWDX, ASPX, ASPNX,AWDX, AWDX, AWDX, AWDX, AWDX, # 08-0f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 10-17
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 18-1f
ASPX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 20-27
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 28-2f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 30-37
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 38-3f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 40-47
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 48-4f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 50-57
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 58-5f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 60-67
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 68-6f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 70-77
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 78-7f
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # 80-87
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # 88-8f
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # 90-97
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # 98-9f
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # a0-a7
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # a8-af
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # b0-b7
AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, AWDR, # b8-bf
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # c0-c7
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # c8-cf
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # d0-d7
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # d8-df
AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, # e0-e7
AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, # e8-ef
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # f0-f7
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # f8-ff
};
statec3 := array[256] of { # looking for 10xxxxxx,10xxxxxx to complete a rune
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 00-07
AWDX, ASPX, ASPNX,AWDX, AWDX, AWDX, AWDX, AWDX, # 08-0f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 10-17
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 18-1f
ASPX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 20-27
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 28-2f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 30-37
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 38-3f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 40-47
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 48-4f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 50-57
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 58-5f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 60-67
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 68-6f
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 70-77
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # 78-7f
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # 80-87
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # 88-8f
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # 90-97
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # 98-9f
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # a0-a7
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # a8-af
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # b0-b7
AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, AC2R, # b8-bf
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # c0-c7
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # c8-cf
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # d0-d7
AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, AC2X, # d8-df
AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, # e0-e7
AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, AC3X, # e8-ef
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # f0-f7
AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, AWDX, # f8-ff
};
buf := array[NBUF] of byte;
count(f: ref Sys->FD, name: string)
{
state := statesp;
nline = nword = nchar = nbadr = nbyte = 0;
n := 0;
for(;;){
n = sys->read(f, buf, NBUF);
if(n <= 0)
break;
nbyte += n;
nchar += n; # might be too large, gets decreased later
i := 0;
do{
case int state[int buf[i++]]{
int AC2 => state = statec2;
int AC2R => state = statec2; nchar--;
int AC2W => state = statec2; nword++;
int AC2X => state = statec2; nbadr++;
int AC3 => state = statec3;
int AC3W => state = statec3; nword++;
int AC3X => state = statec3; nbadr++;
int ASP => state = statesp;
int ASPN => state = statesp; nline++;
int ASPNX => state = statesp; nline++; nbadr++;
int ASPX => state = statesp; nbadr++;
int AWD => state = statewd;
int AWDR => state = statewd; nchar--;
int AWDW => state = statewd; nword++;
int AWDWX => state = statewd; nword++; nbadr++;
int AWDX => state = statewd; nbadr++;
}
}while(i < n);
}
if(state!=statesp && state!=statewd)
nbadr++;
if(n < 0)
sys->fprint(stderr, "wc: error reading %s: %r\n", name);
report(nline, nword, nchar, nbadr, nbyte, name);
}