wordpress UTF8 中文字数统计插件

rex — Fri, 02 Jan 2009 14:37:55 +0000

最近想在博客中实现这样的功能：“本文字数XXX，继续阅读…”。在网上找了一款Word Count Plugin for WordPress，作者是 Murray Williams，可惜它只能统计英文单词数，却不能统计中文字数。我下载了源码，自己动手修改，实现了想要的功能。修改过程中涉及了PHP语言中如何使用正则表达式来匹配中文，于是我把过程写这在里。

该插件的核心部分是这样的：

1
2
3
4
5
6
7
8

看来，它并没有自己来数字数，还是调用PHP函数str_word_count实现的。查文档，找到它的官方文档，http://us2.php.net/str_word_count。它能统计字串中的英文单词数，按要求返回单词数目或单方数组。其原理是以默认或指定的分隔符来将字串分隔，再逐个统计。由于该函数对utf8无效，应该使用utf8版：str_word_count_utf8。

英文的单词之间有空格等分隔符，中文的应该怎样统计呢？由于WordPress的中文字符编码为utf8，我们就从utf8入手。根据以前我写过一篇文章《匹配中文的正则表达式》可知，在utf8中，匹配单个汉字的正则式是[\x80-\xff]{3}。这样一来，只要将中文的每一个单字视为一个英语单词来处理，那么统计出来的单词数量就应该是正确的。例如，

你好，世界。Hello world.

我的处理方法是，将所有的中文单字替换成两边带空格的英文字母a，即使用正则表达式：

1	$string = preg_replace('/[\x80-\xff]{3}/', ' a ', $string);

考虑到中文标点不计入总数，前边还应该有一条：

1 2	$string = $string = preg_replace("/～\|！\|｀\|·\|＃\|￥\|％\|…\|—\| （\|）\|＋\|－\|＝\|｛\|｝\|［\|］\|\＼\|｜\|“\|”\|’\|‘\|；\|：\|《\|》\|〈\|〉\|、\|？\|。\|，/",' ',$string);

此时运行程序，得到正确的结果：6。

wordpress UTF8 中文字数统计插件完整的PHP程序是：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

load_plugin_textdomain('mtw-wordcount','wp-content/plugins/mtw-wordcount');

/* Call this from inside "The Loop" (see WordPress documentation) to get
a WordCount of the current posting. Function RETURNS the Word Count as
a value, it does not automatically display (ie. 'echo') the value.
*/

define("WORD_COUNT_MASK", "/\p{L}[\p{L}\p{Mn}\p{Pd}'\x{2019}]*/u");

function str_word_count_utf8($string, $format = 0)
{
$string = $string = preg_replace("/～|！|｀|·|＃|￥|％|…|—|（|）|＋|－|＝|｛|｝|［|］|\＼|｜|“|”|’|‘|；|：|《|》|〈|〉|、|？|。|，/",' ',$string);
$string = preg_replace('/[\x80-\xff]{3}/', ' a ', $string);
switch ($format) {
case 1:
preg_match_all(WORD_COUNT_MASK, $string, $matches);
return $matches[0];
case 2:
preg_match_all(WORD_COUNT_MASK, $string, $matches, PREG_OFFSET_CAPTURE);
$result = array();
foreach ($matches[0] as $match) {
$result[$match[1]] = $match[0];
}
return $result;
}
return preg_match_all(WORD_COUNT_MASK, $string, $matches);
}

function mtw_wordcount() {
global $page, $pages;
if ( function_exists('str_word_count_utf8') ) {
return str_word_count_utf8(strip_tags($pages[$page-1]));
} else {
return count(explode(" ",strip_tags($pages[$page-1])));
}
}

/* Auxilliary method. In case you want to use this somewhere outside the
loop, where the $page and $pages globals don't necessarily work. Pass
the string you want counted instead.
*/
function mtw_string_wordcount($instring) {
if ( function_exists('str_word_count_utf8') ) {
return str_word_count_utf8(strip_tags($instring));
} else {
return count(explode(" ",strip_tags($instring)));
}
}
?>

这样修改后，该插件就能在wp中正确统计中文字数。我的使用方法是：

1	the_content("本文共计".mtw_wordcount().'字，已浏览'.the_views("",false).'次。　继续阅读... »'); ?>

其中的the_views("",false)部分是另一款插件WP-PostViews Plus实现的效果，不赘述。

我爱正则表达式 » wordpress

wordpress UTF8 中文字数统计插件