Go怎么实现精准统计文章字数

这篇文章给大家分享的是有关Go怎么实现精准统计文章字数的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。

01 需求分析

下手之前先分析下这个需求。从我个人经验看，在实际面试中，针对一个面试题，你的分析过程，循序渐进的解决方案，可以很好的展示你的思考过程。正所谓分析问题、解决问题。这会给你加分的。

我们采用类似词法分析的思路分析这个需求。

一篇文章通常包含如下元素，我们也称之为 token：

• 普通文字

• 标点符号

• 图片

• 链接(包含各种协议的链接)

• 代码

其中普通文字通常会分为欧美和中日韩(CJK)，因为 CJK 属于表意文字，和欧美字母的文字差异很大。同时这里还涉及到编码的问题。本文假设使用 UTF-8  编码。

对于标点符号，中文标点和英文标点也会很不一样。

此外还有全角和半角的问题。

根据以上分析，对于该需求作如下假定：

• 空格(包括换行)不算字数;

• HTML 标签需要剔除;

• 编码方式：假定为 UTF-8 编码;

• 标点符号算不算做字数。如果算，像括号这样的按 2 个字算;

• 链接怎么算?一个链接约定为 1 个字可能更合适，大概阅读时只是把它当链接，而不太会关心链接由什么字母组成;

• 图片不算做字数，但如果计算阅读时间，可能需要适当考虑图片的影响;

• 对于技术文章，代码是最麻烦的。统计代码字数感觉是没多大意义的。统计代码行数可能更有意义;

本文的解决方案针对以上的假定进行。

02 Go 语言实现

先看最简单的。

纯英文

根据以上分析，如果文章只包含普通文本且是英文，也就是说，每个字(单词)根据空格分隔，统计是最简单的。

func TotalWords(s string) int {  n := 0  inWord := false  for _, r := range s {   wasInWord := inWord   inWord = !unicode.IsSpace(r)   if inWord && !wasInWord {    n++   }  }  return n }

还有一种更简单的方式：

len(strings.Fields(s))

不过看 strings.Fields 的实现，性能会不如第一种方式。

回顾上面的需求分析，会发现这个实现是有 Bug 的。比如下面的例子：

s1 := "Hello,playground" s2 := "Hello, playground"

用上面的实现，s1 的字数是 1，s2 的字数是  2。它们都忽略了标点符号。而且因为写法的多样性(不规范统一)，导致计算字数会有误差。所以我们需要对写法进行规范。

规范排版

其实和写代码要有规范一样，文章也是有规范的。比如出版社对于一本书的排版会有明确的规定。为了让我们的文章看起来更舒服，也应该遵循一定的规范。

这里推荐一个 GitHub  上的排版指南：《中文文案排版指北》，它的宗旨，统一中文文案、排版的相关用法，降低团队成员之间的沟通成本，增强网站气质。这个规范开头关于空格的一段话很有意思：

有研究显示，打字的时候不喜欢在中文和英文之间加空格的人，感情路都走得很辛苦，有七成的比例会在 34  岁的时候跟自己不爱的人结婚，而其余三成的人最后只能把遗产留给自己的猫。毕竟爱情跟书写都需要适时地留白。

建议大家可以看看这个指北，一些知名的网站就是按照这个做的。

因为 GCTT 的排版在这个规范做，但人为约束不是最好的方法，所以我开发了一个 Go  工具：https://github.com/studygolang/autocorrect，用于自动给中英文之间加入合理的空格并纠正专用名词大小写。

所以为了让字数统计更准确，我们假定文章是按一定的规范书写的。比如上面的例子，规范的写法是 s2 := "Hello,  playground"。不过这里标点不算作字数。

刚去微博上试了一下，发现微博的字数计算方式有点诡异，竟然是 9 个字。

测试一下发现，它直接把两个英文字母算作一个字(两个字节算一个字)。而汉字是正常的。大家可以想想微博是怎么实现的。

中英文混合

中文不像英文，单词之间没有空格分隔，因此开始的那两种方式不适合。

如果是纯中文，我们怎么计算字数呢?

在 Go 语言中，字符串使用 UTF-8 编码，一个字符用 rune 表示。因此在标准库中查找相关计算方法。

func RuneCountInString(s string) (n int)

这个方法能计算字符串包含的 rune(字符)数，对于纯中文，就是汉字数。

str := "你好世界" fmt.Println(utf8.RuneCountInString(str))

以上代码输出 4。

然而，因为很多时候文章会中英文混合，因此我们先采用上面的纯英文的处理方式，即：strings.Fields()，将文章用空格分隔，然后处理每一部分。

func TotalWords(s string) int {  wordCount := 0     plainWords := strings.Fields(s)  for _, word := range plainWords {   runeCount := utf8.RuneCountInString(word)   if len(word) == runeCount {    wordCount++   } else {    wordCount += runeCount   }  }   return wordCount }

增加如下的测试用例：

func TestTotalWords(t *testing.T) {  tests := []struct {   name  string   input string   want  int  }{   {"en1", "hello,playground", 2},   {"en2", "hello, playground", 2},   {"cn1", "你好世界", 4},   {"encn1", "Hello你好世界", 5},   {"encn2", "Hello 你好世界", 5},  }  for _, tt := range tests {   t.Run(tt.name, func(t *testing.T) {    if got := wordscount.TotalWords(tt.input); got != tt.want {     t.Errorf("TotalWords() = %v, want %v", got, tt.want)    }   })  } }

发现 en1 和 encn1 测试不通过，因为没有按照上面说的规范书写。因此我们通过程序增加必要的空格。

// AutoSpace 自动给中英文之间加上空格 func AutoSpace(str string) string {  out := ""   for _, r := range str {   out = addSpaceAtBoundary(out, r)  }   return out }  func addSpaceAtBoundary(prefix string, nextChar rune) string {  if len(prefix) == 0 {   return string(nextChar)  }   r, size := utf8.DecodeLastRuneInString(prefix)  if isLatin(size) != isLatin(utf8.RuneLen(nextChar)) &&   isAllowSpace(nextChar) && isAllowSpace(r) {   return prefix + " " + string(nextChar)  }   return prefix + string(nextChar) }  func isLatin(size int) bool {  return size == 1 }  func isAllowSpace(r rune) bool {  return !unicode.IsSpace(r) && !unicode.IsPunct(r) }

这样可以在 TotalWords 函数开头增加 AutoSpace 进行规范化。这时结果就正常了。

处理标点和其他类型

以上例子标点没计算在内，而且如果英文和中文标点混合在一起，情况又复杂了。

为了更好地实现开始的需求分析，重构以上代码，设计如下的结构：

type Counter struct {  Total     int // 总字数 = Words + Puncts  Words     int // 只包含字符数  Puncts    int // 标点数  Links     int // 链接数  Pics      int // 图片数  CodeLines int // 代码行数 }

同时将 TotalWords 重构为 Counter 的 Stat 方法，同时记录标点数：

func (wc *Counter) Stat(str string) {  wc.Links = len(rxStrict.FindAllString(str, -1))  wc.Pics = len(imgReg.FindAllString(str, -1))   // 剔除 HTML  str = StripHTML(str)   str = AutoSpace(str)   // 普通的链接去除（非 HTML 标签链接）  str = rxStrict.ReplaceAllString(str, " ")  plainWords := strings.Fields(str)   for _, plainWord := range plainWords {   words := strings.FieldsFunc(plainWord, func(r rune) bool {    if unicode.IsPunct(r) {     wc.Puncts++     return true    }    return false   })    for _, word := range words {    runeCount := utf8.RuneCountInString(word)    if len(word) == runeCount {     wc.Words++    } else {     wc.Words += runeCount    }   }  }   wc.Total = wc.Words + wc.Puncts }  var (  rxStrict = xurls.Strict()  imgReg   = regexp.MustCompile(`<img [^>]*>`)  stripHTMLReplacer = strings.NewReplacer("\n", " ", "</p>", "\n", "<br>", "\n", "<br />", "\n") )  // StripHTML accepts a string, strips out all HTML tags and returns it. func StripHTML(s string) string {  // Shortcut strings with no tags in them  if !strings.ContainsAny(s, "<>") {   return s  }  s = stripHTMLReplacer.Replace(s)   // Walk through the string removing all tags  b := GetBuffer()  defer PutBuffer(b)  var inTag, isSpace, wasSpace bool  for _, r := range s {   if !inTag {    isSpace = false   }    switch {   case r == '<':    inTag = true   case r == '>':    inTag = false   case unicode.IsSpace(r):    isSpace = true    fallthrough   default:    if !inTag && (!isSpace || (isSpace && !wasSpace)) {     b.WriteRune(r)    }   }    wasSpace = isSpace   }  return b.String() }

代码过多的细节不讨论。此外，关于文章内的代码行数统计未实现(目前没有想到特别好的方法，如果你有，欢迎交流)。

感谢各位的阅读！关于“Go怎么实现精准统计文章字数”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！