提取网页中的字数
[英]Fetching word count in a web page
问题描述
这肯定是一个非常笼统的问题，但是我没有遇到任何具体或稳定的解决方案。
我只想获取网页中所有浏览器中的单词数。 我当前的实现是
var body = top.document.body;
if(body) {
var content = body.innerText || body.textContent;
content = content.replace(/\n/ig,' ');
content = content.replace(/\s+/gi,' ');
content = content.replace(/(^\s|\s$)/gi,'');
if(!body.innerText) {
content = content.replace(/<script/gi,'');
}
console.log(content);
console.log(content.split(' ').length);
}
这很好用，但不适用于某些Firefox浏览器，因为innerText在Firefox上不起作用。
如果我使用textContent，那么它也会显示JS标签的内容（如果存在）。 例如，网页内容是否为
<body>
<script src="https://ajax.googleapis.com/ajax/libs/jquery/3.1.1/jquery.min.js"></script>
<script type="text/javascript">
console.log('Hellow World');
var some = "some";
var two = "two";
var three = "three";
</script>
<h1 style="text-align:center">Static content from Nginx</h1>
<div>
This is a
static.
<div>
This is a
static.
</div>
</div>
</body>
然后，textContent的内容中也会包含JS代码，这会给我带来错误的字数统计。
什么是可以在任何环境下工作的具体解决方案。
PS：没有JQuery
3 个解决方案
解决方案1
0 2017-02-06 12:59:15
好的，您有两个问题：
跨浏览器innerText
我会去：
var text = document.body[('innerText' in document.body) ? 'innerText' : 'textContent'];
那样，宁愿使用innerText而不是textContent。
<script>标签的剥离结果。
dandavis为此提供了一个简洁的解决方案：
function noscript(strCode){
var html = $(strCode.bold());
html.find('script').remove();
return html.html();
}
和非jQuery解决方案：
function noscript(strCode){
return strCode.replace(/<script.*?>.*?<\/script>/igm, '')
}
该函数会将字符串转换为“伪造”的html文档，剥离其脚本标签并返回原始结果。
当然，您可以改善功能，以同时删除<style>标记和其他标记。
盘点字母
您的工作方法还不错，但是我仍然认为，简单的正则表达式会做得更好。 您可以使用以下方法计算字符串中的单词：
str.match(/\S+/g).length;
最后
最终结果应该像
var body = top.document.body;
if(body) {
var content = document.body[('innerText' in document.body) ? 'innerText' : 'textContent'];
content = noscript(content);
alert(content.match(/\S+/g).length);
}
解决方案2
0 2017-02-06 12:59:36
隐藏/不可见/覆盖的块呢？ 您是否想在其中全部计算单词？ 图像呢（图像的alt标签）
如果要全部计数-只需剥离标签并计数所有其余块的测试。 像这样的$（'body：not（script）'）。text（）
解决方案3
0 2017-02-08 06:07:27
非常感谢您提供如此有用的答案。 如果未在浏览器中定义innerText，我发现可以使用这种方法。 而且我们得到的结果与innerText非常相似。 因此，我认为在所有浏览器中都将保持一致。
大家请仔细研究一下，让我知道这个答案是否可以接受。 并且让我知道你们是否在我使用的这种方法中发现任何差异。
function getWordCount() {
try {
var body = top.document.querySelector("body");
if (body) {
var content = body.innerText || getInnerText(top.document.body, top);
content = content.replace(/\n/ig, ' ');
var wordCount = content.match(/\S+/gi).length;
return wordCount;
}
} catch (e) {
processError("getWordCount", e);
}
}
function getInnerText(el, win) {
try {
win = win || window;
var doc = win.document,
sel, range, prevRange, selString;
if (win.getSelection && doc.createRange) {
sel = win.getSelection();
if (sel.rangeCount) {
prevRange = sel.getRangeAt(0);
}
range = doc.createRange();
range.selectNodeContents(el);
sel.removeAllRanges();
sel.addRange(range);
selString = sel.toString();
sel.removeAllRanges();
prevRange && sel.addRange(prevRange);
} else if (doc.body.createTextRange) {
range = doc.body.createTextRange();
range.moveToElementText(el);
range.select();
}
return selString;
} catch (e) {
processError('getInnerText', e);
}
}
我得到的结果与innerText相同，并且比使用正则表达式或删除标签等更为准确。
请给我您的意见。
用于获取网页内容的Javascript？
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.