wordpress UTF8 中文字数统计插件

January 2nd, 2009 Categories: 教程

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

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
<?php
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
<?php 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。

Tags: , , ,
Leave a comment | Trackback

4 Responses to “wordpress UTF8 中文字数统计插件”

  1. voidman
    January 2nd, 2009 at 03:12
    1

    mb_strlen

    [Reply]

    zhasm Reply:
    January 2nd, 2009 at 11:12 am

    经测试，mb_strlen函数返回的是字符串的绝对长度。当指定字符串编码为UTF-8时，每个中文字长度为1。例如，

    $string="你好，世界。Hello world."
    echo mb_strlen($string,"utf-8");
    //此处结果为18.
    echo str_word_count_utf8($string) //此处结果为6.

    mb_strlen得到的是18＝4个中文字＋2个中文标点＋10个英文字母＋1空格＋1点号，因此在wordpress中，不能依靠此函数来数中文字数与英语单词数之和。

    [Reply]

    Reply
  2. 小轰
    March 13th, 2010 at 17:58
    2

    学到了，非常感谢！

    [Reply]

    Reply
  3. 小轰
    March 13th, 2010 at 18:03
    3

    无论如何，空格是不应该计算在内的，全角空格也是。
    可以改为：
    $string = $string = preg_replace(“/～|！|｀|·|＃|￥|％|…|—|（|）|＋|－|＝|｛|｝|［|］|\＼|｜|“|”|’|‘|；|：|《|》|〈|〉|、|？|。|，|　|/”,’ ‘,$string);

    [Reply]

    Reply

Leave a Comment