代码之家 › 专栏 › 技术社区 › cerhovice

HTML字符串中所有字符的字符计数,但仅测量20个可见字

word-count string regex html php

cerhovice · 技术社区 · 17 年前

我正在一个WordPress网站上工作,其中一个页面列出了公司客户的摘录。

假设我有一个网页,其中可见文本如下所示:

"SuperAmazing.com, a subsidiary of Amazing, the leading provider of
integrated messaging and collaboration services, today announced the
availability of an enhanced version of its Enterprise Messaging
Service (CMS) 2.0, a lower cost webmail alternative to other business
email solutions such as Microsoft Exchange, GroupWise and LotusNotes
offerings."

但是,假设此文本中可能有HTML链接或图像,因此原始HTML可能如下所示:

<img src="/images/corporate/logos/super_amazing.jpg" alt="Company
logo for SuperAmazing.com" /> SuperAmazing.com, a subsidiary of
<a href="http://www.amazing.com/">Amazing</a>, the leading
provider of integrated messaging and collaboration services, today
announced the availability of an enhanced version of its Enterprise
Messaging Service (CMS) 2.0, a lower cost webmail alternative to other
business email solutions such as Microsoft Exchange, GroupWise and
LotusNotes offerings."

下面是我需要做的:找出前20个可见单词中是否有链接。

这是前20个可见词:

"SuperAmazing.com, a subsidiary of Amazing, the leading provider of
integrated messaging and collaboration services, today announced the
availability of an"

我需要将字符数(包括HTML)输出到20个可见的单词,在本例中是“an”,当然对于页面上的每一个摘录都是不同的。

(我愿意把“superawarding.com”算作两个单词,如果这样做容易的话。)

我尝试了许多正则表达式来计算单词,但它们都计算HTML,而不是可见的单词。

那么,找到前20个可见单词的完整字符数(包括HTML)的正确正则表达式是什么呢?

4 回复 | 直到 11 年前

Alan Moore Chris Ballance 17 年前

下面是一个相当好的正则表达式,用于匹配前20个可见词:

'~^(?:\s*+(?:(?:[^<>\s]++|</?\w[^<>]*+>)++)){1,20}~'

这匹配一到二十个空格分隔的标记,其中一个标记定义为一个或多个不由空格分隔的单词或标记(其中“单词”定义为除空格或尖括号之外的一个或多个字符)。例如,这是一个令牌:

<a href="http://www.amazing.com/">Amazing</a>

…但这是两个代币:

<a href="http://www.superduper.com/">Super Duper</a>

这将处理一个独立的标记(如 <img> 在您的示例中标记,或者任何被空格包围的标记)作为一个单独的标记,它抛出了计数——它只匹配到您的示例中的单词“of”。它也不能正确处理 <br> 标签或块级标签,如 <p> 和 <table> ,如果他们不要周围有空白。只有你知道会有多少问题。

编辑:如果是孤立的 <IMG & GT; 标记是您经常看到的东西,您可以对文本进行预处理以删除后面的空白。这将有效地将其与第一个后续的“real”标记合并,从而产生更准确的字符计数。我知道在这种情况下,它只会改变一到两个字符的计数,但是如果第二十个单词发生在“超级脆弱性”的experiodiocious上,你可能会注意到这个区别。:)

pavium 17 年前

我不确定是否使用PHP正则表达式来计算单词。

假设您可以隔离一个变量中的可见词,我的初始方法是在空格处(或者您认为是单词的任何给定内容)分解它,并将结果放入一个数组中。

拆分后,将数组限制为20个元素。

然后对每个数组元素应用正则表达式,并决定是否有匹配的链接。

要获得字符数,请连接/内爆20个单词的数组(不带空格),并找到字符串的长度。

NawaMan 17 年前

函数“gettextfromnode”和“gettextfromdocument”只提供HTML的文本内容。函数“getfirstwords”返回文本中的第一个单词数。

function getTextFromNode($Node, $Text = "") {
    if ($Node->tagName == null)
        return $Text.$Node->textContent;

    $Node = $Node->firstChild;
    if ($Node != null)
        $Text = getTextFromNode($Node, $Text);

    while($Node->nextSibling != null) {
        $Text = getTextFromNode($Node->nextSibling, $Text);
        $Node = $Node->nextSibling;
    }
    return $Text;
}

function getTextFromDocument($DOMDoc) {
    return getTextFromNode($DOMDoc->documentElement);
}

function getFirstWords($Text, $Count = 1) {
    if (!($Count > 0))
        $Count = 1;

    $Text = trim($Text);

    $TextParts = split('[ ]+', $Text, 21);
    if (count($TextParts) == $Count)
        $TextParts[$Count - 1] = "";

    $NewText = join(" ", $TextParts);
    return $NewText;
}

你可以通过以下方式使用它:

$Doc = new DOMDocument();
$Doc->loadHTMLFile("Test.html");

$Text = getTextFromDocument($Doc);
echo "Text from HTML: ".$Text."\n";

$NewText = getFirstWords($Text, 21);
echo "First 20 words from HTML: ".$NewText."\n";

希望这有帮助。

jmucchiello 17 年前

regex和html不能混合。使用regex计数是不常见的。regex是解决问题的错误方法。使用HTML分析库提取文本。然后使用某种形式的标记器来提取单词。从长远来看,你会省去很多头痛。

什么头痛?假设你设法构建了一个做你想做的事情的可怕的regex。现在假设两年后,有一个你没有解释的边缘案例,你需要修改这个怪物。此时,您希望您有一个可以轻松修改的编码解决方案。