如何计算外部网页中的每个单词？

Question

这可能是一个简单的修复程序，但我不知道。 基本上，我正在打开一个外部网页，我想将该网页上的每个单词（只是单词没有标签或任何东西）存储到一个数组中，这样我就可以输出每个单词在页面上出现的次数。

这是我用来测试的外部页面：

<html>
<body>
<p> Hello world! <br/>
    <a href = ”link.html”> Click <b> here </b> </a>
    <br/> Goodbye world!
</p>
</body>
</html>

我的输出是这样的：

点击 ：1次再见世界！ ：1次， 世界您好！ ：1次， 这里 ：1次

我很亲近，我只需要“再见世界！” 和“ Hello world！” 在空间上分裂，但我找不到办法。

这是我的代码：

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Title</title>
    <script type="text/javascript">
        var w;

        function openFile(url) {
            w = window.open();
            w.location = url;
        }

        var mainArray = [];
        var pre;
        function retrieveText() {
            pre = document.getElementById("count");
            getwords(w.document.body);
            count();
        }

        function count() {

            mainArray.sort();

            var current = null;
            var cnt = 0;
            for (var i = 0; i < mainArray.length; i++) {
                if (mainArray[i] != current) {
                    if (cnt > 0) {
                        document.write(current + ' : ' + cnt + ' times<br>');
                    }
                    current = mainArray[i];
                    cnt = 1;
                } else {
                    cnt++;
                }
            }
            if (cnt > 0) {
                document.write(current + ' : ' + cnt + ' times');
            }

        }

        function getwords(node) {
            mainArray = w.document.body.innerHTML.replace(/^\s*<[^>]*>\s*|\s*<[^>]*>\s*$|>\s*</g,' ').split(/<[^>]*>/g);
        }

    </script>
</head>
<body>
<p>Filename: <input id = "url" name="url" size=15 type="Text"/></p>
<a href="javascript:openFile(document.getElementById('url').value)">
    Open document</a>
</br>
<a href="javascript:retrieveText()">Retrieve text</a><br/>
</br>
<ul id ="arrlist"></ul>

</body>
</html>

Answer 1

我建议不要使用regexp来删除标签-可能很难解析任何可能的HTML。 将您的getwords（）函数替换为：

function getwords(node) {
    mainArray = node.innerText.replace(/\s+/g, ",").split(",");
}

在mainArray中，您也可以获取空值，但是如果需要，可以轻松删除它们。

我现在得到：

Click : 1 times
Goodbye : 1 times
Hello : 1 times
here : 1 times
world! : 2 times