如何计算 HTML 源中的字数（文本）

Question

我有一些 html 文档，我需要返回文档中的字数。该计数应该只包括实际文本（因此没有 html 标签，例如 html、br 等）。

有什么想法如何做到这一点？当然，我更愿意重用一些代码。

谢谢，

阿萨夫

Answer 1

• 去掉HTML标签，获取文本内容，复用 Jsoup

• 逐行读取文件，持有一个MapwordToCountMap并对Map

  逐行读取

Answer 2

使用jsoup解决方案

private int countWords(String html) throws Exception {
    org.jsoup.nodes.Document dom = Jsoup.parse(html);
    String text = dom.text();

    return text.split(" ").length;
}

Answer 3

我会在 Jigar 的答案中添加一个额外的步骤：

• 来解析文档文本
• 使用 JSoup 或 Jericho 或 Dom4j

  Tokenise 结果文本 。这取决于你对“词”的定义。它不太可能像按空白分割那么简单。并且您需要处理标点符号等。因此请查看各种可用的 Tokeniser，例如来自 Lucene 或斯坦福 NLP 项目的。以下是您会遇到的一些简单示例：

  “今天我要去纽约！” - “我”是一两个词吗？ “纽约”怎么样？

  “我们在分析中应用了两个元过滤器” - “元过滤器”是一个单词还是两个单词？

格式错误的文本怎么办，例如句子末尾缺少空格：

"So we went there.And on arrival..."

标记化很棘手...

• 迭代您的标记并对其进行计数，例如使用 HashMap。