提取網頁中的字數
[英]Fetching word count in a web page
問題描述
這肯定是一個非常籠統的問題，但是我沒有遇到任何具體或穩定的解決方案。
我只想獲取網頁中所有瀏覽器中的單詞數。 我當前的實現是
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);
}
這很好用，但不適用於某些Firefox瀏覽器，因為innerText在Firefox上不起作用。
如果我使用textContent，那么它也會顯示JS標簽的內容（如果存在）。 例如，網頁內容是否為
<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的內容中也會包含JS代碼，這會給我帶來錯誤的字數統計。
什么是可以在任何環境下工作的具體解決方案。
PS：沒有JQuery
3 個解決方案
解決方案1
0 2017-02-06 12:59:15
好的，您有兩個問題：
跨瀏覽器innerText
我會去：
var text = document.body[('innerText' in document.body) ? 'innerText' : 'textContent'];
那樣，寧願使用innerText而不是textContent。
<script>標簽的剝離結果。
dandavis為此提供了一個簡潔的解決方案：
function noscript(strCode){
var html = $(strCode.bold());
html.find('script').remove();
return html.html();
}
和非jQuery解決方案：
function noscript(strCode){
return strCode.replace(/<script.*?>.*?<\/script>/igm, '')
}
該函數會將字符串轉換為“偽造”的html文檔，剝離其腳本標簽並返回原始結果。
當然，您可以改善功能，以同時刪除<style>標記和其他標記。
盤點字母
您的工作方法還不錯，但是我仍然認為，簡單的正則表達式會做得更好。 您可以使用以下方法計算字符串中的單詞：
str.match(/\S+/g).length;
最后
最終結果應該像
var body = top.document.body;
if(body) {
var content = document.body[('innerText' in document.body) ? 'innerText' : 'textContent'];
content = noscript(content);
alert(content.match(/\S+/g).length);
}
解決方案2
0 2017-02-06 12:59:36
隱藏/不可見/覆蓋的塊呢？ 您是否想在其中全部計算單詞？ 圖像呢（圖像的alt標簽）
如果要全部計數-只需剝離標簽並計數所有其余塊的測試。 像這樣的$（'body：not（script）'）。text（）
解決方案3
0 2017-02-08 06:07:27
非常感謝您提供如此有用的答案。 如果未在瀏覽器中定義innerText，我發現可以使用這種方法。 而且我們得到的結果與innerText非常相似。 因此，我認為在所有瀏覽器中都將保持一致。
大家請仔細研究一下，讓我知道這個答案是否可以接受。 並且讓我知道你們是否在我使用的這種方法中發現任何差異。
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);
}
}
我得到的結果與innerText相同，並且比使用正則表達式或刪除標簽等更為准確。
請給我您的意見。
用於獲取網頁內容的Javascript？
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.