请字典制作大神帮忙看下

老AK

刚测试了一下   但我这Linux下使用这代码grep -P "^.{8,16}$"  |sort -u得出结果是537 MB (563,465,140 字节)   再说你源文件还有很多非ASCLL字符  使用这代码结果不对是你BT5环境架构问题 BT5精简了某些组件  ，

容量基本大小也可参考8楼mmfdr 大神结果

yun209

老AK 发表于 2015-3-7 18:45
刚测试了一下   但我这Linux下使用这代码grep -P "^.{8,16}$"  |sort -u得出结果是537 MB (563,465,140 字 ...

从大小上来看，论坛某位大神写的这个小程序还是比较好的，我帖子里提到的mkqsort这个程序处理完是536M，这个程序处理速度非常快，而且鄙人是个不会LIUNX的屌丝一枚，只能看大神的教程来做，请问如何对比我用这个程序处理出来的536M跟8楼大神处理出来的531M？另外，对于非ASCLL字符的相关知识，我百度了下，网上讲的不是很清楚，如果您能给普及下，鄙人将不甚感激。

老AK

mmfdr 发表于 2015-3-7 15:32
用UE排序去重是531MB，这个大小应该是正确的这个是连接地址

你那边字节是多少？看字节会准确些

yun209

老AK 发表于 2015-3-7 18:45
刚测试了一下   但我这Linux下使用这代码grep -P "^.{8,16}$"  |sort -u得出结果是537 MB (563,465,140 字 ...

另外，我用UE按照网上的教程试了一下，电脑不行处理不过来，各种报错，一会儿内存不够，一会儿弹窗报错，如果那个小程序处理的结果跟UE处理结果差不多的话，我倒是觉得这个程序不错；我看您处理完后是537M，这个程序处理完是536M，差距很小哦

yun209

老AK 发表于 2015-3-7 18:45
刚测试了一下   但我这Linux下使用这代码grep -P "^.{8,16}$"  |sort -u得出结果是537 MB (563,465,140 字 ...

请问您用的是什么Linux系统？是否有安装和使用的教程，鄙人愚笨，不是很懂这块，谢谢！

老AK

yun209 发表于 2015-3-7 19:25
另外，我用UE按照网上的教程试了一下，电脑不行处理不过来，各种报错，一会儿内存不够，一会儿弹窗报错， ...

结果要的不是要差距，而是要结果数据百分百准确

yun209

mmfdr 发表于 2015-3-7 15:32
用UE排序去重是531MB，这个大小应该是正确的这个是连接地址

谢谢您的工作，请问是否有用UE处理字典的好教程（或者您自己做的笔记）？我从论坛里找到某位大神写的代码是：
1、干掉行尾与行首的空格正则，正则表达式引擎选择unix下的：
删除行首空格：
^\s+
再删除行尾空格：\s+$
2、去掉中文点到文件－－转换 UNICODE/UTF-8转UTF-8(Unicode编辑)选项成黑色
正则处理：[^一-龥]
删除中文完成后最好回到之前这一项是灰色的，因为这种格式的文件打开后占地方很大。
3、然后去掉8位数字正则表达式引擎选择Unix
^(\d\d\d\d\d\d\d\d)$
4、再去掉有手机的，正则表达式引擎选择Unix
^.*(13\d\d\d\d\d\d\d\d\d).*$
^.*(15\d\d\d\d\d\d\d\d\d).*$
^.*(18\d\d\d\d\d\d\d\d\d).*$
^.*(147\d\d\d\d\d\d\d\d).*$
5、去空行引擎选择UE
%[ ^t]++^p

6、去不足八位长度引擎选择perl
^.{1}$|^.{2}$|^.{3}$|^.{4}$|^.{5}$|^.{6}$|^.{7}$
^\S{1,7}$
至少16位，并且必须由数字和字符组成：引擎选择perl
^(?=.*[0-9].*)(?=.*[A-Z].*)(?=.*[a-z].*).{16,20000}$
去掉长度为16到100的字符串，引擎选择perl
^\S{16,}$
/////////////////////////////////////////////////////
如果方便的话，您可以把这次处理我这个源文件的过程写个小教程，非常感谢！

老AK

UE去重复是非常准确的，这点我也极赞同UE去重复准确性

但是处理去8位以下16位以上这样的机制，这个因为各系统各版本还有UE引擎都有bug
准确性会有错误  我也测试过其结果

mmfdr

老AK 发表于 2015-3-7 19:23
你那边字节是多少？看字节会准确些

上边头一行有4个字母

下边有几行这些东西还没处理
到这样的位置

老AK

mmfdr 发表于 2015-3-7 19:58
上边头一行有4个字母

下边有几行这些东西还没处理

原来这样     

mmfdr

老AK 发表于 2015-3-7 20:19
原来这样

光去8位以下16位往上，排序去重复了

cy1cn

先下载了，谢谢分享