Javascript 正则表达式计算不包括html标记的单词数

我有下面的场景

我有一个页面，我们有一个tinymce编辑器，在那里我们可以粘贴文本。有一个选项可以限制要粘贴到编辑器中的字符或单词

我有一篇这样的文章

<p>Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod<br />tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,<br />quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo<br />consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse<br />cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non<br />proident, sunt in culpa qui officia deserunt mollit anim id est laborum.</p>
<p>Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod<br />tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,<br />quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo<br />consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse<br />cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non<br />proident, sunt in culpa qui officia deserunt mollit anim id est laborum.</p>
<p>Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod<br />tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,<br />quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo<br />consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse<br />cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non<br />proident, sunt in culpa qui officia deserunt mollit anim id est laborum.</p>
<p>Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod<br />tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,<br />quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo<br />consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse<br />cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non<br />proident, sunt in culpa qui officia deserunt mollit anim id est laborum.</p>
<p>Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod<br />tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,<br />quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo<br />consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse<br />cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non<br />proident, sunt in culpa qui officia deserunt mollit anim id est laborum.</p>
<p>Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod<br />tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,<br />quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo<br />consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse<br />cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non<br />proident, sunt in culpa qui officia deserunt mollit anim id est laborum.</p><p>

但这包括HTML标记中的字符，如图所示

我也试过了

(\s+|>)\w+

这越来越近了，但也包括了作为html实体一部分的>符号，如图所示

---

请记住，我无法替换尖括号内的文本，因为此文本编辑器用于提交科学和医学论文，因此在某些情况下，这些符号<和>用于表示符号。

我将其简化为：

var text = "<p>Lorem ipsum</p><p>Lorem ipsum</p><p sdf>Lorem ipsum</p>";

var words = text.replace(/(<([^\s>]+)>)/ig, " ").trim().split(/\s+/).length;

console.log(words); // output: 6

var text=“Lorem ipsum
Lorem ipsum
Lorem ipsum
”；
var words=text.replace（/（]+）>）/ig，“”.trim（）.split（/\s+/）.length；
console.log（单词）；//产出：6

• 首先使用正则表达式替换所有html标记
• 使用

  trim

• 然后使用正则表达式拆分所有单词（这样空格就不会算作单词）

最后你有了单词的数量

请注意我使用以下正则表达式替换了

/（]+）>）/ig

：

• 像
  ，
  等标签被替换，而
• 标记（包括空格）不会被替换

这会给你一个很好的近似值。

来计算单词。 我改进了正则表达式，以检查单词周围的

/

字符

正则表达式：

/[^/]（[\w\u2019\'-]+）（？！\s*\/>）/gmi

福福福

咕咕咕咕

var-allText；
var divElm=document.getElementById（'test'）；
for（divElm.childNodes中的文本）{
allText+=divElm.childNodes[text].textContent；
}
警报（所有文本）；

TinyMCE的插件实际上已经存在

这里有一个稍微修改过的版本，它应该适合你的目的

toPlainText=函数（字符串）{
var tx=字符串；
var-tc=0；
中频（tx）{
tx=tx.replace（/\.\./g'，）；//将椭圆转换为空格
tx=tx.replace（//g'）。replace（//160；/gi'）；//删除html标记和空格字符
//处理html实体
tx=tx.替换（/（\w+）（&#？[a-z0-9]+）+（\w+）/i，“$1$3”）。替换（/&.+？；/g”）；
tx=tx.replace（/[0-9.，；：！？%\$？\x27\x22+=\\\/\-]*/g'，；//删除数字和标点符号
var wordArray=tx.match（/[\w\u2019\x27\-\u00C0-\u1ff]+/g）；
if（字数组）{
tc=wordArray.join（“”）；
}
}
var div=document.createElement（'div'）；
div.innerHTML=tc；
返回div.textContent；
}    
document.write（toPlainText("知识本身是一种美德，是一种美德，是一种美德，是一种美德，是一种美德，是一种美德，是一种美德，是一种美德，是一种美德，是一种美德，是一种美德，是一种美德不属于“不属于”的特殊情况）

难道你不能只提取带有

textContent

或

innerText

的文本，并计算一下吗？著名的“不要在HTML上使用正则表达式，因为HTML不是一种常规语言”帖子：如果HTML不是递归嵌套的，特别是如果它没有古怪的属性或无效的HTML，那么正则表达式就可以了。事实上，如果输入没有ave unescaped

你试过Gaby的建议吗？正如OP所说，请记住我不能替换尖括号内的文本，因为这个文本编辑器用于提交科学和医学论文，所以在某些情况下，这些符号<和>用于表示。@noob很好！我更新了一点我的答案。你认为呢f it？我不会尝试修补替换，因为OP严格提到，在某些情况下，这些符号<和>用于表示法。无论如何，你认为我的解决方案如何？看起来确实很有趣！它适用于包含一个字符的标记。较长的标记会增加字数。另一个想法是创建一个只包含r的正则表达式emoves/排除html标记-这可能是最准确的？@sjkm：当然。但这是这个问题的要求吗？
var text = "<p>Lorem ipsum</p><p>Lorem ipsum</p><p sdf>Lorem ipsum</p>";

var words = text.replace(/(<([^\s>]+)>)/ig, " ").trim().split(/\s+/).length;

console.log(words); // output: 6

 <div id="test">
    <p>foofoofoofoofoo</p>
    <h1>googoogoogoogoogoo</h1>

<script>
    var allText;
    var divElm = document.getElementById('test');
    for (text in divElm.childNodes) {
        allText += divElm.childNodes[text].textContent;
    }
    alert(allText);
</script>