用 Go 如何实现精准统计文章字数

大家好，我是站长 polarisxu。

今天要聊的内容应该可以当做一道面试题，你可以先想想该怎么实现。

统计字数是一个很常见的需求，很多人印象最深的应该是微博早些时候限制 140 字，而且边输入会边统计剩余字数。现在很多社区文章也会有字数统计的功能，而且可以依据字数来预估阅读时间。比如 Go语言中文网就有这样的功能。

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)。

03 总结

通过本文的分析发现，精准统计字数没那么容易，这里涉及到很多的细节。

当然，实际应用中，字数不需要那么特别精准，而且对于非正常文字(比如链接、代码)怎么处理，会有不同的约定。

本文涉及到的完整代码放在 GitHub：https://github.com/polaris1119/wordscount。

本文转载自微信公众号「polarisxu」，可以通过以下二维码关注。转载本文请联系polarisxu公众号。

本文转载自网络，原文链接：https://mp.weixin.qq.com/s/1QcQolmK7kV27YmxBpmmZA
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！