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。