OpenCode 实践课：4 分钟用 Rust 写出一个命令行文本统计分析工具

项目介绍

在日常开发中，经常需要快速了解一个文本文件的基本信息——比如 README 写了多少字、日志文件有多少行、某个模块的代码量等。今天我们用 Rust 写一个命令行文本统计分析工具，输入一个文件路径，输出字符数、词数、行数、句子数、段落数、字节数、预估阅读时间，以及高频词排名。

技术栈：Rust + 标准库（零外部依赖）

最终效果：

═══════════════════════════════
  📊 文本统计报告
═══════════════════════════════
  文件:     README.md
  ─────────────────────────
  字符数:   3421
  字节数:   3580
  行数:     87
  词数:     512
  句子数:   45
  段落数:   18
  ─────────────────────────
  预估阅读: 3 分钟 (250词/分钟)
═══════════════════════════════
  高频词 Top 10:
   1. opencode            23 次
   2. 项目                 15 次
   3. 使用                 12 次
  ...
═══════════════════════════════

下面我们来看看如何用 OpenCode 一步步完成这个工具，全程只写提示词，不手写一行代码。

准备工作

• 安装 Rust 开发环境
• 注册并安装 OpenCode（opencode.ai）
• 在终端中打开项目目录

实践过程

第 1 步：创建项目骨架

我对 OpenCode 说：

> 帮我用 cargo 新建一个 Rust 项目，名字叫 textstat。然后实现一个命令行工具：接收一个文件路径作为参数，读取文件内容，统计总行数、字符数、词数、字节数并打印出来。只用标准库，不要加任何外部依赖。

OpenCode 的响应：

OpenCode 先后执行了 cargo new textstat 创建项目，然后直接生成了 src/main.rs。它用 std::fs::read_to_string 读取文件，用 .lines().count() 统计行数，.len() 统计字节数，.chars().count() 统计字符数，.split_whitespace().count() 统计词数，最后用 println! 格式化输出。整个过程只用了一条提示词，项目骨架就搭好了。

关键要点：OpenCode 理解"零外部依赖"这个约束，全程使用标准库，Cargo.toml 里 [dependencies] 保持为空。

第 2 步：添加词频统计

我对 OpenCode 说：

> 增加词频统计功能。把每个词转小写，过滤掉长度小于 2 的纯标点或单字符，用 HashMap 计数，按频率降序排列，输出前 10 个高频词。

OpenCode 的响应：

OpenCode 在代码中引入 HashMap，对 split_whitespace() 得到的每个词做清洗——用 .chars().filter(|c| c.is_alphanumeric()) 过滤标点，转小写后只保留长度 ≥ 2 的词。然后将 HashMap 转为 Vec 并按值降序排序，取前 10 个输出。OpenCode 还主动处理了边界情况：如果词汇不满 10 个，就只输出实际数量。

第 3 步：扩展统计维度

我对 OpenCode 说：

> 再加入三个统计：1）段落数，按连续两个换行符（空行）分隔；2）句子数，按中英文句号、问号、感叹号分隔；3）预估阅读时间，按每分钟 250 词计算（向上取整）。

OpenCode 的响应：

OpenCode 准确地实现了段落统计（.split("\n\n").filter(|p| !p.trim().is_empty())）和句子统计（使用 .split() 的闭包参数，匹配 .、!、?、。、！、？）。阅读时间用 (word_count as f64 / 250.0).ceil() as u64 计算。三个新指标无缝集成到输出中，整个过程没有破坏已有的统计逻辑。

第 4 步：美化输出 + 可配置参数

我对 OpenCode 说：

> 添加一个 --top N 命令行参数，让用户可以自定义显示多少个高频词，默认 10。另外用 ════ 和 ─── 分隔线美化输出格式，让报告看起来更专业。

OpenCode 的响应：

OpenCode 在 args 解析中加入了 --top 的处理逻辑，用迭代器的 position() 找到 --top 的位置，读取下一个参数作为 N 值。输出格式换成了带分隔线的布局，层次分明。整个修改只涉及参数解析和 print 语句，对核心逻辑零侵入。

第 5 步：编译测试

我对 OpenCode 说：

> 帮我编译项目，然后用项目自身的 README.md（如果存在的话）做一次测试运行，看看输出效果。

OpenCode 的响应：

OpenCode 执行 cargo build --release 完成编译（约 3 秒），然后用 target/release/textstat README.md 运行测试，打印出完整的统计报告。所有指标计算正确，输出格式对齐美观。

完整代码

最终 src/main.rs 共 68 行，零外部依赖：

use std::collections::HashMap;
use std::env;
use std::fs;

fn main() {
    let args: Vec<String> = env::args().collect();
    if args.len() < 2 {
        eprintln!("用法: {} <文件路径> [--top N]", args[0]);
        return;
    }

    let path = &args[1];
    let top_n: usize = args.iter()
        .position(|a| a == "--top")
        .and_then(|i| args.get(i + 1))
        .and_then(|n| n.parse().ok())
        .unwrap_or(10);

    let content = fs::read_to_string(path)
        .expect("无法读取文件，请确认路径正确");

    let lines = content.lines().count();
    let chars = content.chars().count();
    let bytes = content.len();
    let paragraphs = content.split("\n\n")
        .filter(|p| !p.trim().is_empty())
        .count();
    let sentences = content.split(|c: char| {
        c == '.' || c == '!' || c == '?' || c == '。' || c == '！' || c == '？'
    }).filter(|s| !s.trim().is_empty()).count();

    let words: Vec<&str> = content.split_whitespace().collect();
    let word_count = words.len();

    let mut freq: HashMap<String, usize> = HashMap::new();
    for w in &words {
        let cleaned: String = w.chars()
            .filter(|c| c.is_alphanumeric())
            .collect::<String>()
            .to_lowercase();
        if cleaned.len() >= 2 {
            *freq.entry(cleaned).or_insert(0) += 1;
        }
    }

    let mut freq_vec: Vec<(String, usize)> = freq.into_iter().collect();
    freq_vec.sort_by(|a, b| b.1.cmp(&a.1).then_with(|| a.0.cmp(&b.0)));

    let reading_minutes = (word_count as f64 / 250.0).ceil() as u64;

    println!("═══════════════════════════════");
    println!("  📊 文本统计报告");
    println!("═══════════════════════════════");
    println!("  文件:     {}", path);
    println!("  ─────────────────────────");
    println!("  字符数:   {}", chars);
    println!("  字节数:   {}", bytes);
    println!("  行数:     {}", lines);
    println!("  词数:     {}", word_count);
    println!("  句子数:   {}", sentences);
    println!("  段落数:   {}", paragraphs);
    println!("  ─────────────────────────");
    println!("  预估阅读: {} 分钟 (250词/分钟)", reading_minutes);
    println!("═══════════════════════════════");
    println!("  高频词 Top {}:", top_n.min(freq_vec.len()));
    for (i, (word, count)) in freq_vec.iter().take(top_n).enumerate() {
        println!("  {:2}. {:<18} {} 次", i + 1, word, count);
    }
    println!("═══════════════════════════════");
}

小结

这个工具从零到可用，全程只用了 5 条提示词、不到 4 分钟。OpenCode 表现出了三个突出优势：

精准理解约束：说"零外部依赖"，它就用标准库；说"默认 10 个"，它就设 unwrap_or(10)

增量开发无缝：每次追加新功能，OpenCode 都做到对已有逻辑零破坏，修改精准到函数和变量级别

主动处理边界：词数不满 N 个、空段落、空句子等边界情况，OpenCode 都自动加了过滤条件

对比传统开发方式——查 API 文档、写代码、处理边界、调整格式——至少需要 15-20 分钟。AI 编程助手省去的不是"打字时间"，而是"决策和查阅时间"。你只需要想清楚"要什么"，剩下的交给 OpenCode。