Wc -m और wc -c अलग क्यों हैं?

Question

एक सी प्रोग्रामर के रूप में, मुझे यह देखकर आश्चर्य हुआ कि wc -c(जो बाइट्स की संख्या की गणना करता है), और wc -m(जो वर्णों की संख्या को गिनता है) मेरा एक लंबा, पाठ फ़ाइल के लिए बहुत अलग परिणाम देता है। मुझे हमेशा बताया गया है कि sizeof(char)1 बाइट है।

qdii@nomada ~/Documents $ wc -c sentences.csv
102990983 sentences.csv
qdii@nomada ~/Documents $ wc -m sentences.csv
89023123 sentences.csv

कोई स्पष्टीकरण?

Comments

नीचे @ rici का उत्तर देखें ... आपने अपने प्रश्न में (c = बाइट्स, m = वर्ण) पीछे अपने -m और -c झंडे प्राप्त किए हैं ... हालांकि आपका उदाहरण आउटपुट सही है।

— दान

Answer 1

charसी में प्रकार एक बाइट है, लेकिन यह ASCII वर्ण लिए करना है; देखते हैं परिवर्तनीय चौड़ाई एन्कोडिंग UTF-8 कि चरित्र प्रति कई बाइट का समय लग सकता है। पर्यावरण चर द्वारा निर्धारित स्थान के आधार पर मल्टीबीट अनुक्रमों को डीकोड करने के wcलिए mbrtowc(3)फ़ंक्शन का उपयोग करता है LC_CTYPE। यदि आप स्थान को ठीक से सेट करते हैं, तो आपको सभी मामलों के लिए समान परिणाम प्राप्त करना चाहिए। उदाहरण के लिए:

qdii@nomada ~/Documents $ LC_CTYPE="C" wc -m sentences.csv
102990983 sentences.csv

Answer 2

एक अनुमान पर,

1. आपका स्थान UTF-8 एन्कोडिंग और, का उपयोग करता है

2. आपकी फ़ाइल के लगभग 10% में ऐसे वर्ण होते हैं, जिन्हें UTF-8 में एन्कोड करने के लिए एक से अधिक ऑक्टेट की आवश्यकता होती है।

वैसे, से man wc:

   -c, --bytes
          print the byte counts

   -m, --chars
          print the character counts